测试项功能

Ascend DMI提供一键式片上内存压测诊断功能，即执行一次命令即可进行片上内存诊断、片上内存压测、片上内存高危地址压测，并输出测试结果。

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
（推荐）一键式片上内存压测诊断	<3h	<3h	是	训练或推理任务时，NPU芯片出现HBM ECC故障，有新增隔离页。
片上内存诊断	2s~4s	≤2min	否	训练或推理任务时，NPU芯片出现HBM ECC故障：设备出现0x80E01801故障码。
片上内存压测	1h~3h	2h~3h	是	片上内存诊断结果为GENERAL_WARN、PASS或IMPORTANT_WARN。
片上内存高危地址压测	≤17min	≤17min	是	片上内存诊断结果出现单比特或多比特错误。

片上内存压测和片上内存诊断有不同的使用场景，具体请参见表1。请根据实际使用场景选择执行片上内存压测或片上内存诊断。
若想同时使用片上内存诊断、片上内存压测、片上内存高危地址压测请执行一键式片上内存压测诊断。

支持的场景

一键式片上内存压测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	Y	Y	Y
宿主机+容器	Y	Y	Y
虚拟机	1	N	N

仅Atlas 200T A2 Box16 异构子框支持。

使用约束

压测过程中可能涉及芯片复位，需使用root用户执行压测，否则会导致复位失败。

测试前准备

在执行本诊断项前，建议提前在环境上安装fuser软件，以便Ascend DMI对NPU进程进行监测。

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]	指定片上内存压测诊断，取值为hbm。不传入此参数，则默认执行除aicore和prbs外其他检查项的诊断。	是
[-s, --stress]	使用该参数进行压力测试。	是
[-at, --at, --auto-test]	使用该参数进行自动压测。当[-i, --items]后检查项包含hbm且指定-s参数时，此参数才会生效。	是
[-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。	否
[-r, --result]	指定压测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”。	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。当[-fmt, --fmt, --format]后检查项指定json格式输出时，会进行压测结果保存，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
[-q, --quiet]	指定该参数，将不再进行防呆提示，用户将默认允许该操作。若不指定该参数，用户需要输入Y或N（y或n）确认是否进行测试。	否
注： ascend-dmi --dg后使用-i，-r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 hbm -s --auto-test -q

故障检查项说明

表4 回显参数说明
参数	说明
PASS	一键式片上内存压测诊断通过，无异常。
EMERGENCY_WARN	历史多比特隔离页数及设备隔离行过多，告警NPU芯片健康管理故障码为0x80E18402，建议更换备件。相同Stack及PC内的隔离行处于不同Bank的数量 ≥ 4，当前设备运行存在高风险，建议更换备件。相同Stack、相同Sid及不同PC内的隔离行 ≥ 4，当前设备运行存在高风险，建议更换备件。相同Stack、Sid、PC及Bank内的隔离行＞16，当前设备运行存在高风险，建议更换备件。相同Stack、Sid、PC及Bank内，排除4bit及以内相邻的错误地址，其他不同地址的数量＞ 5，当前设备运行存在高风险，建议更换备件。压测过程中连续3次有隔离页增加。
SKIP	当前产品形态不支持该项检测。
FAIL	一键式片上内存压测诊断执行失败，请联系华为工程师处理或参考FAQ进行定位。 FAQ：设备device侧内存不足导致片上内存压测失败