任务信息

hccl.json

任务使用的芯片通信信息。

可转义为json格式，字段说明如下：

• status：任务ranktable是否已经生成。
  • initializing：还在为任务分配设备，ranktable未生成。
  • complete：当ranktable生成后，状态会立即变为complete，同步出现server_list等其他字段。
• server_list：任务设备分配情况。
  • device：记录NPU分配，NPU IP和rank_id信息。
  • server_id：节点的ID。
  • server_name：节点名称。
• server_count：任务使用的节点数量。
• version：版本信息。

字符串

job_id

任务的K8s ID信息。

字符串

operator

• add：接收到添加任务命令后状态更新为add。
• delete：接收到删除任务命令后状态更新为delete。

字符串

deleteTime

任务被删除的时间。

字符串

sharedTorIp

任务使用的共享交换机信息。

字符串

masterAddr

pytorch训练时指定的MASTER_ADDR值。

字符串

total

ConfigMap的个数。

整数类型

time

任务开始时间。

字符串

framework

任务使用的框架。

字符串

job_status

任务状态，存在以下几种状态。

• pending
• running
• complete
• failed

字符串

job_name

任务名称

字符串

cm_index

当前configmap的序号。

字符串

data

-

- ID

K8s集群分配的Job ID。

- customID

用户自定义的Job ID，如果内容为空则不展示。

- cardNum

任务使用的卡的数量，如果内容为空则不展示。

- podFirstRunTime

任务Pod第一次全部running的时间，如果内容为空则不展示。

- stopTime

任务Pod全部complete或者被强行删除的时间，如果内容为空则不展示。

- podLastRunTime

任务Pod上一次全部恢复running的时间，如果内容为空则不展示。

- podLastFaultTime

任务Pod上一次部分或者全部failed的时间，如果内容为空则不展示。

- podFaultTimes

任务故障导致pod重调度的次数，如果次数为0则不展示。

totalJob

当前集群中的总任务数。