SignalQuality诊断

测试项功能

对信号质量进行诊断，并输出诊断结果。

表1 诊断项说明

诊断项名称

使用Atlas A2 训练系列产品完成一轮诊断的参考耗时

使用Atlas 900 A3 SuperPoD 集群算力系统完成一轮诊断的参考耗时

是否影响NPU训练或推理

使用场景

signalQuality

16s~30s

15min~20min

否

训练或推理任务时，设备出现PCIe、HCCS或RoCE链路出现故障。

支持的场景

signalQuality诊断支持的设备及场景如表2所示。（在下表中，Y表示支持，N表示不支持。）

表2 支持的场景和产品型号

场景/产品型号

Atlas A2 训练系列产品

Atlas 800I A2 推理产品

Atlas A3 训练系列产品

物理机

1

Y

2

宿主机+容器

1

Y

2

虚拟机

1

N

N
  1. 仅支持Atlas 800T A2 训练服务器、Atlas 900 A2 PoD 集群基础单元、Atlas 200T A2 Box16 异构子框支持。
  2. Atlas A3 训练系列产品场景下，仅支持进行HCCS和RoCE的信号质量诊断。

测试项参数查询

各参数解释如表3所示。

表3 参数说明

参数

说明

是否必填

[-dg, --dg, --diagnosis]

使用该参数进行整卡的故障诊断测试。

是

[-i, --items]
指定具体的诊断检查项：
  • signalQuality：对PCIe、HCCS和RoCE的信号质量进行诊断。
  • 可指定driver、cann、device、network、bandwidth、aiflops、hbm、signalQuality中的一项或多项，多项时各项之间使用“,”分隔。
  • 不传入此参数，则默认执行除aicore和prbs外其他检查项的诊断。

否

[-d, --device]

指定需要进行诊断测试的Device ID，Device ID是指昇腾芯片的逻辑ID。

  • 可指定一个或多个Device ID，多个时各项之间使用“,”分隔。
  • 若不填写Device ID则默认返回所有Device的诊断结果。
  • 当[-i, --items]后检查项包括signalQuality时，若用户只指定一个Device ID则不会诊断HCCS的信号质量。

    若对Atlas 200T A2 Box16 异构子框进行诊断，前8P或后8P至少指定两张device。

否

[-r, --result]

指定故障诊断结果和信息采集结果的保存路径，如：/test。指定的路径需符合安全要求，且不支持包含通配符“*”。

  • 若用户指定结果保存路径，则在指定路径创建ascend_check文件夹，root用户指定的路径，将创建在根目录下，非root用户则创建在其$HOME下；若不指定路径，则保存在默认路径下，root用户：“/var/log/ascend_check”，非root用户：“$HOME/var/log/ascend_check”。
  • 基于安全考虑，为防止结果保存目录权限被修改，用户可将结果保存目录ascend_check的权限设置为700。
  • 当[-fmt, --fmt, --format]后检查项指定json格式输出时，会进行故障诊断结果保存，结果保存在“ascend_check/environment_check_before.txt”文件中，不指定json格式输出时，不保存故障诊断结果。

否

[-fmt, --fmt, --format]

指定输出格式，可以为normal或json。若未指定则默认为normal。

否

说明：

  • 本文档输入或输出的Device ID都是芯片逻辑ID。
  • 用户可以执行npu-smi info -m命令，在显示界面表格中的Chip Logic ID参数处获得芯片逻辑ID，NPU ID则为对应的芯片物理ID。
  • ascend-dmi --dg后使用-i，-d等多个二级参数时，可任意指定这些参数的排列顺序，不影响命令结果输出。

使用实例

ascend-dmi -dg -i aiflops,signalQuality,cann -q

故障检查项说明

表4 故障检查项说明

回显状态

含义

PASS

检测通过，NPU上PCIe、HCCS和RoCE通信端口的信号质量正常。

SKIP

当前产品形态不支持该项检测。

IMPORTANT_WARN

重要警告。

PCIe、HCCS和RoCE（其中的一项或多项）信号质量有异常，请联系华为工程师处理。

FAIL

眼图检测执行失败。

说明：

在signalQuality诊断中，若SNR和HEH的数值为0，说明测试的RoCE链路或HCCS链路中指定的Device之间未建链。
父主题： 故障诊断