配置文件说明

断点续训针对节点故障中节点硬件故障的不同级别进行分级处理。NodeD组件会获取到当前故障的故障码，根据NodeDConfiguration.json中故障码配置的故障级别，对故障进行相应处理。节点硬件故障支持的故障级别和处理方式说明如下。

NodeD组件的配置文件NodeDConfiguration.json为系统配置文件，若用户无特殊需求，请勿随意修改。若用户需要修改故障码的故障级别，可以通过由NodeDConfiguration.json创建的mindx-dl-node-fault-config文件实现，操作指导请参见（可选）配置节点硬件故障级别。

表1 故障说明
故障级别	故障处理策略	说明
NotHandleFault	无需处理	对任务无影响
PreSeparateFault	该节点上有任务则不处理，后续调度时不调度任务到该节点	可能导致任务受到影响
SeparateFault	任务重调度	任务一定会受到影响
注：故障级别的高低为NotHandleFault < PreSeparateFault < SeparateFault。

表2 节点状态说明
节点状态	最高故障级别	故障处理策略	说明
Healthy	NotHandleFault	无需处理	该节点为健康节点，可以正常训练。
PreSeparate	PreSeparateFault	该节点上有任务则不处理，后续调度时不调度任务到该节点	该节点为亚健康节点，暂时可能对任务无影响，待任务受到影响退出后，后续不会再调度任务到该节点。
UnHealthy	SeparateFault	任务重调度	该节点为故障节点，将影响训练任务，立即将任务调离该节点。
注：当前节点的健康状态，主要通过本节点硬件故障的最高故障级别判断。 Healthy、PreSeparate和UnHealthy是MindCluster自定义的节点状态，主要是用于后续任务的调度和处理。查看节点状态和节点硬件故障信息，可参见查询上报的故障信息章节进行操作。

父主题： 节点硬件故障