背景概述在 Atlas 900 A2 PoD 集群运行过程中，NPU 之间的通信链路稳定性直接影响分布式训练任务的执行效率。当出现 NPU 端口频繁闪断（Linkdown/Linkup）时，会导致训练任务中断、性能抖动甚至报错。此类故障可能由交换机侧异常、光模块故障、线缆接触不良或 NPU 模组自身问题引起。问题现象描述设备在运行期间，/dump_info/AppDump/sensor_alarm 告警日志中，NPU3、NPU4、NPU5、NPU6 同时上报 0x81078603 闪断告警。该告警表明 NPU 链路状态发生异常波动，可能影响业务连续性。原因分析 1. 日志分析通过收取带内日志检查端口状态，发现 device2、3、4 在闪断后恢复 UP 状态，而 device5 端口持续处于 DOWN 状态。 2. 拓扑关联分析根据 Atlas 900 A2 PoD 的硬件拓扑结构： ●交换机 A连接 NPU0、NPU1、NPU6、NPU7； ●交换机 B连接 NPU2、NPU3、NPU4、NPU5。 3. 交换机侧排查联系交换机侧协助排查，反馈在闪断时间点交换机未重启，无掉线或硬件故障告警，检查数据未见异常。但观察到 device6 端口状态为 error down。 4. 故障复现与定位交换机侧将端口重新 UP 并观察 24 小时后，发现端口依然出现闪断，且故障现象集中在 device 3、4、5，其中 device 5 依然保持 error down 状态。鉴于问题在短时间内二次复现，且交换机侧无明显异常，优先怀疑物理链路或模组问题。采取以下措施进行隔离定位： 1.更换 NPU5、NPU6 模组的 J1 线缆。 2.进行模组交叉测试：将 NPU5 与 NPU7 交叉，NPU6 与 NPU8 交叉。 3.后续观察发现，闪断现象未再复现，初步判断故障点位于原 NPU5/6 相关的物理链路或模组接口。问题根因经排查确认，NPU5 和 NPU6 模组的 J1 线缆存在故障，导致链路信号不稳定，引发 Linkdown 闪断及 0x81078603 告警。解决措施 1.更换线缆：更换 NPU5、NPU6 模组的 J1 线缆。 2.模组交叉验证：执行模组交叉操作（NPU5 与 NPU7 交叉，NPU6 与 NPU8 交叉），以验证故障是否跟随模组。 3.清洁维护：在更换过程中，务必对所有模组连接器以及线缆连接器进行清灰处理，确保接触良好。