芯片资源

mindx-dl-deviceinfo-<nodename>

Ascend Device Plugin上报的NPU芯片信息如表1所示。

表1 DeviceInfoCfg
名称	含义	说明
huawei.com/Ascend910	标记当前节点可用的芯片名称信息，存在多个时用英文逗号拼接。	说明：该字段正在日落，后续版本该字段不再呈现。默认情况下，节点的可用芯片由Volcano维护，该字段不生效。如果需要生效，可以修改Volcano的配置参数“self-maintain-available-card”值为false。
huawei.com/Ascend910-NetworkUnhealthy	标记当前节点网络不健康的芯片名称信息，存在多个时用英文逗号拼接。	-
huawei.com/Ascend910-Unhealthy	标记当前芯片不健康的芯片名称信息，存在多个时用英文逗号拼接。	-
huawei.com/Ascend910-Recovering	标记当前节点正在进行恢复的芯片，存在多个时用英文逗号拼接。	-
huawei.com/Ascend910-Fault	记录芯片具体的故障信息。	数组对象，对象包含fault_type、npu_name、large_model_fault_level、fault_level、fault_handling、fault_code和fault_time_and_level_map这7个字段。
-fault_type	故障类型。	CardUnhealthy：芯片故障 CardNetworkUnhealthy：芯片网络故障 NodeUnhealthy：节点故障
-npu_name	故障的芯片名称，节点故障时为空。	字符串
-large_model_fault_level	故障处理类型，节点故障时取值为空。	NotHandleFault：不做处理 RestartRequest：推理场景需要重新执行推理请求，训练场景重新执行训练业务 RestartBusiness：需要重新执行业务 FreeRestartNPU：影响业务执行，待芯片空闲时需复位芯片 RestartNPU：直接复位芯片并重新执行业务 SeparateNPU：隔离芯片 PreSeparateNPU：预隔离芯片，会根据训练任务实际运行情况判断是否重调度说明： large_model_fault_level、fault_level和fault_handling参数功能一致，推荐使用fault_handling。若推理任务订阅了故障信息，任务使用的推理卡上发生RestartRequest故障且故障持续时间未超过60秒，则不执行任务重调度；若故障持续时间超过60秒仍未恢复，则隔离芯片，进行任务重调度。
-fault_level
-fault_handling
-fault_code	故障码，英文逗号拼接的字符串。	Disconnected表示芯片网络不连通故障。heartbeatTimeOut表示节点状态丢失故障
-fault_time_and_level_map	故障码、故障发生时间及故障处理等级。	-
SuperPodID	超节点ID。	字符串
ServerIndex	当前节点在超节点中的相对位置。	驱动上报的SuperPodID或ServerIndex的值为0xffffffff时，SuperPodID或ServerIndex的取值为-1。存在以下情况，SuperPodID或ServerIndex的取值为-2。当前设备不支持查询超节点信息。因驱动问题导致获取超节点信息失败。
CheckCode	校验码。	-

Ascend Device Plugin上报的灵衢总线设备故障信息如表2所示。

表2 SwitchInfoCfg参数说明
名称	含义	说明
FaultCode	当前节点的灵衢总线设备故障码列表。	数组对象，包含EventType、AssembledFaultCode、PeerPortDevice、PeerPortId、SwitchChipId、SwitchPortId、Severity、Assertion、AlarmRaisedTime等字段。
-EventType	告警ID。	-
-AssembledFaultCode	故障码。	-
-PeerPortDevice	对接设备类型。	0：CPU 1：NPU 2：SW 0xFFFF：NA
-PeerPortId	对接设备ID。	-
-SwitchChipId	灵衢故障芯片ID。	从0开始编号。
-SwitchPortId	灵衢故障端口ID。	从0开始编号。
-Severity	故障等级。	0：提示 1：次要 2：重要 3：紧急
-Assertion	事件类型。	0：故障恢复 1：故障产生 2：通知类事件
-AlarmRaisedTime	故障/事件产生时间。	-
FaultLevel	当前节点故障处理等级。	取FaultCode中所有故障中等级最高的故障等级，取值包含：NotHandle，PreSeparate，Separate。
UpdateTime	故障上报刷新时间。	-
NodeStatus	当前节点健康状态。	对应FaultLevel取值，NotHandle:Healthy，PreSeparate:SubHealthy，Separate:UnHealthy。
FaultTimeAndLevelMap	故障发生时间及故障处理等级列表。	数组对象，包含故障码、灵衢故障芯片ID、灵衢故障端口ID、fault_time和fault_level字段。键值为故障码、灵衢故障芯片ID、灵衢故障端口ID，由下划线连接组成。
-fault_time	故障发生时间。	-
-fault_level	故障处理等级。	-

Ascend Device Plugin的ConfigMap中的描述信息如表3所示。

表3 Description说明
名称	含义	说明
Description	描述信息。	此ConfigMap中的节点的可用芯片信息正在日落。默认情况下，节点的可用芯片由Volcano维护，此ConfigMap中维护的不生效。如果需要生效，可以修改Volcano的配置参数“self-maintain-available-card”值为false。

Ascend Device Plugin上报的NPU设备故障信息如表4所示。对象名称是<device-plugin-pod-name>.<上报时间><故障芯片ID>，对象类型为Event。

下表仅展示与MindCluster业务相关的字段说明，更多字段的说明详细请参见Event core。

表4 NPU设备故障信息
名称	含义	说明
type	事件的级别。	唯一值：Warning
message	事件的内容，包括节点名称、芯片编号、故障的产生或者恢复类型、故障码和故障级别信息。	字符串
reason	事件上报的原因。	Recovery：故障恢复 Occur：故障产生 Notice：一次性通知故障
action	故障的级别。	字符串。详细说明请参见表1。
source	故障产生的源头。	结构体。表明故障产生的节点。
eventTime	故障产生的时间。	时间戳
involvedObject	故障绑定展示的对象。	结构体。通过Kind、Namespace和Name指向当前Ascend Device Plugin的Pod名称。指定后除了可以直接通过Event对象查询之外，查询当前的Pod详情时也能看到该事件。
reportingComponent	事件的控制者。	唯一值：device-plugin
reportingInstance	事件的上报实例。	字符串。取当前Ascend Device Plugin的Pod名称。

deviceNameCustomization.json

deviceNameCustomization.json支持自定义设备名称。编译Ascend Device Plugin镜像时，将该文件放在二进制包的同级目录下，即可将Ascend Device Plugin对外展示的资源类型、资源名称修改为自定义的名称。

表5 deviceNameCustomization.json支持自定义设备名称
名称	说明	取值
ResourceType	设备的初始名称，必填。	仅支持Ascend910、Ascend310和Ascend310P中的一种。
DevicePublicType	设备对外展示的类型，例如huawei.com/Ascend910，必填。	仅支持xxx.xxx/xxx格式，xxx可以为大小写字母及数字，长度范围为10~32个字符。
DevicePublicNamePre	设备对外展示的名称前缀，例如Ascend910-。实际展示的名称，Ascend Device Plugin会在前缀后面拼接芯片的物理ID，必填。	可以包含大小写字母、中划线（-）、数字，必须以大小写字母开头，长度范围为2~16个字符。
PodConfigurationName	Pod的annotation上展示的挂载芯片信息详情，ResourceType为Ascend910时必填。	可以包含大小写字母、中划线（-）、/、点（.）、数字，必须以大小写字母开头，大小写字母数字结尾，长度范围为10~63个字符。

父主题： Ascend Device Plugin