集成说明

前提条件

• 仅支持使用集群调度组件的K8s集群，同时需要保证K8s集群中各节点时间一致，避免程序误判。
• 使用前需要检查存储的磁盘空间，确保可以容纳checkpoint。
• 配置存储方案：用户需确保环境中有配置相应的存储方案，比如使用NFS（Network File System），可参考安装NFS进行操作。

  NFS需要用户根据使用情况进行目录隔离，NFS的随机读写性能必须能够在15分钟内保存完整的ckpt文件，建议用户使用专业的存储服务器，NFS具体性能要求给出如下参考。

  

• 安装所需组件：使用断点续训特性需要提前安装如下组件；若没有安装，请参考《MindX DL 集群调度安装指南》中的“安装部署”章节进行操作。
  • Volcano：包括开源Volcano和集群调度组件提供的Volcano；开源Volcano需要集成Ascend-volcano-plugin插件。
  • HCCL Controller或Ascend Operator
  • Ascend Device Plugin
  • Ascend Docker Runtime
  • NodeD
    

    • Elastic Agent：构建优雅容错镜像时会用到该组件，无需提前安装。
    • 开源Volcano集成Ascend-volcano-plugin插件的操作步骤可参见《MindX DL 集群调度安装指南》中的“安装部署 > 手动安装 > Volcano > 集成昇腾插件扩展开源Volcano”章节进行操作。
• 适配整卡调度：请参考《MindX DL 集群调度用户指南》中的“部署训练任务 > 整卡调度或静态vNPU调度 > 集成后使用”章节进行操作，确保当前AI平台已经可以实现下发使用整卡资源类型的训练任务。

• （可选）适配资源监测：请参考《MindX DL 集群调度安装指南》中的“安装部署 > 手动安装 > NPU Exporter”章节安装NPU Exporter组件，并参考《MindX DL 集群调度用户指南》中的“资源监测”章节进行使用。

支持的故障模式

当前已支持20+软件类故障及90+硬件类故障的检测。支持的故障类型请参见表1，详细的故障说明请参见故障模式参考。

推荐配置

在使用故障重调度的ckpt保存能力时，需根据实际情况选择周期性保存ckpt频率，用户可参考如图1所示的推荐频率。

图1 周期性ckpt保存频率推荐表

ConfigMap说明

• 每个计算节点的Ascend Device Plugin均会创建记录本节点设备信息的ConfigMap文件，该文件名称为mindx-dl-deviceinfo-<nodename>（以下简称Device-Info ConfigMap），通过该ConfigMap进行故障信息的上报。
• 创建每个任务时，需要在yaml中配置ConfigMap文件，该文件名称为reset-config-<job-name>（以下简称Reset-Info ConfigMap），同时将该ConfigMap挂载到容器的“/user/restore/reset/config”路径下。