恢复时间优化（MindSpore）

故障检测时间优化

由于集群中出现的参数面网络故障不一定会影响训练任务，因此集群调度组件不会强制中断任务；当参数面网络故障影响训练任务时，会触发集合通信的网络超时等待机制，在等待时间（通常默认为30分钟）后，集群调度组件才能感知到该故障，从而触发断点续训。针对该问题，MindSpore提供watchdog故障检测功能，可用于检测训练任务是否受到影响，缩短故障检测时间，该功能的详细说明请参考表1。

...
mindspore.set_context(hccl_watchdog=False)     # 关闭watchdog故障检测功能

训练回滚及加载CheckPoint时间优化

• 异步保存CheckPoint：训练任务会定期保存CheckPoint文件，用于保存参数信息，故障恢复需要从上一次保存的CheckPoint回滚恢复训练。由于每次保存CheckPoint文件均会浪费一定的训练时间，为了保证训练效率，保存CheckPoint的时间间隔通常较大，而保存间隔越大，每次故障时训练回滚浪费的时间就会越长。针对该问题，集群调度组件支持通过MindIO ACP异步保存CheckPoint，详细说明请参考表2。

  表2 异步保存CheckPoint功能说明

  功能名称	MindIO ACP异步保存CheckPoint。
  功能特点	从NPU中获取CheckPoint后，异步写入存储中，降低每次保存CheckPoint的训练损失和保存周期，从而降低训练回滚时间。
  使用说明	仅支持6.0.RC2及以上版本的集群调度组件和MindIO组件。
  关键操作	安装和使用MindIO组件，请参考《MindCluster CheckPoint保存与加载优化》。

• 高效恢复CheckPoint：回滚恢复训练时，通常需要从存储中加载保存的CheckPoint，由于CheckPoint数据量较大，直接从存储读取加载CheckPoint的耗时较长。针对该问题，集群调度组件支持通过MindIO ACP进行CheckPoint高效恢复，详细说明请参考表3。

  表3 CheckPoint高效恢复功能说明

  功能名称	MindIO CheckPoint高效恢复。
  功能特点	将最新的CheckPoint存储到内存中，故障恢复时可直接从内存中读取CheckPoint，降低CheckPoint读取时间。
  使用说明	仅支持6.0.RC2及以上版本的集群调度组件和MindIO组件。
  关键操作	安装和使用MindIO组件，请参考《MindCluster CheckPoint保存与加载优化》。

编译缓存时间优化

断点续训过程中拉起训练时需要构建计算图，在大模型场景下，构建计算图并编译需要消耗大量时间。针对该问题，MindSpore支持在首次编译时将编译缓存文件进行存储，进行故障恢复时可以直接读取存储中的图编译缓存，降低图编译时间，详细说明请参考表4。

export MS_COMPILER_CACHE_ENABLE=1
export MS_COMPILER_CACHE_ENABLE=1  # 开启图编译缓存
export MS_COMPILER_CACHE_PATH=xxx  # 设置图编译缓存路径