芯片故障

芯片故障指的是NPU出现的基础软件类故障和芯片硬件类故障。断点续训特性中芯片故障的检测和上报由设备管理组件Ascend Device Plugin负责。

NPU发生故障时，故障管理框架获取到故障信息，将该信息上传给NPU驱动的故障管理框架，NPU驱动的故障管理框架收集到故障信息后通过DCMI接口上报给Ascend Device Plugin，如图1所示。

Ascend Device Plugin通过DCMI接口获取芯片健康状态。当前提供如下两种获取模式：

故障订阅模式。默认开启该模式，Ascend Device Plugin启动时会先调用DCMI故障订阅接口注册监测，故障发生时驱动通过该接口将故障事件上报给Ascend Device Plugin，故障恢复时通过该接口将恢复事件上报给Ascend Device Plugin。
故障轮询模式。每隔固定时间通过故障查询接口查询芯片故障状态，当设备驱动不支持订阅能力时将切换该模式。

图1 芯片故障上报

Ascend Device Plugin获取到芯片故障后，通过ConfigMap的形式上报给K8s，Ascend Device Plugin的故障上报机制如下：

图2 上报故障到K8s

对于不同故障处理模式，上报的路径会有一定差别。

重调度模式：Ascend Device Plugin获取到芯片故障后，将芯片故障信息写入该节点所属的device-info-cm中，其中字段说明见表1。ClusterD读取每个节点的device-info-cm感知芯片故障并上报给调度器。
优雅容错模式：Ascend Device Plugin获取到可恢复的芯片故障后，将芯片故障信息写入该任务所属的reset-info-cm中，业务容器通过将reset-info-cm挂载为文件的形式，读取文件感知芯片故障。

若优雅容错模式处理故障失败，回退至重调度模式后，故障上报的路径则按照重调度模式进行上报。

父主题： 故障发现