故障事件清洗及诊断

操作步骤

从MindCluster Ascend FaultDiag组件中，导入故障事件清洗接口、故障事件诊断接口。
```
from ascend_fd import parse_knowledge_graph
from ascend_fd import diag_knowledge_graph
```

清洗故障事件。

# 故障事件清洗结果与清洗过程中发生的错误
kg_parse_results, kg_parse_err_msg = parse_knowledge_graph(input_log_list, custom_entity)

诊断清洗后的故障事件。

# 故障事件诊断结果与诊断过程中发生的错误
results, err_msg_list = diag_knowledge_graph(kg_parse_results)

input_log_list输入格式如下所示，该示例不可直接使用，用户需根据实际情况修改根因节点清洗输入的相关信息。

[
  {
    "log_domain": {
      "server": "1.1.1.1"
    },
    "log_items": [
      {
        "item_type": "MindIE",
        "path": "/log/debug/mindie-ms_11_202411061400.log",
        "device_id": 0,
        "modification_time": "2025-08-21 23:50:59.999999",
        "component": "Controller",
        "log_lines": [
           '[ERROR] xxx.'
        ]
      }
    ]
  }
]

表1 *input_log_list*参数说明
字段	参数类型	是否必选	描述
log_domain	Dictionary	是	日志域。
server	String	是	服务器地址。
log_items	String	是	实例名称。
item_type	String	是	日志类型。
path	String	否	日志文件路径。在清洗NPU环境检查文件npu_info_before.txt或npu_info_after.txt时，此参数必填。
device_id	Int	否	设备卡号。
modification_time	String	否	日志修改时间。在清洗训练及推理控制台日志和MindIE组件日志时，将此时间作为故障的发生时间。
component	String	否	组件名称。当前仅支持MindIE的Coordinator和Controller组件。
log_lines	List	是	待解析的日志行。

custom_entity输入格式如下所示，该示例不可直接使用，用户需根据实际情况修改自定义故障实体的相关信息。

{
    "41001": {      #故障码，用户需根据实际情况自定义故障码，不能与MindCluster Ascend FaultDiag已支持的故障码相同
        "attribute.class": "Software",
        "attribute.component": "AI Framework",
        "attribute.module": "Compiler",
        "attribute.cause_zh": "抽象类型合并失败",
        "attribute.description_zh": "对函数输出求梯度时，抽象类型不匹配，导致抽象类型合并失败。",
        "attribute.suggestion_zh": [
               "1. 检查求梯度的函数的输出类型与sens_param的类型是否相同，如果不相同，修改为相同类型；",
               "2. 自动求导报错Type Join Failed"
           ],
        "attribute.error_case": [
            "grad = ops.GradOperation(sens_param=True)",
            "# test_net输出类型为tuple(Tensor, Tensor)",
            "def test_net(a, b):",
            "    return a, b"
              ],
        "attribute.fixed_case": [
            "grad = ops.GradOperation(sens_param=True)",
            "# test_net输出类型为tuple(Tensor, Tensor)",
            "def test_net(a, b):",
            "    return a, b"
            ],
        "rule": [
            {
                "dst_code": "20106"
            }
        ],
        "source_file": "TrainLog",
        "regex.in": [
            "Abstract type", "cannot join with"
            ]
    }
}

custom_entity自定义故障实体中的相关参数说明请参见表1。

表2 err_msg_list参数说明
字段	参数类型	描述
错误信息	List	接口执行过程中产生的错误信息。

results输出格式示例如下。

[
	{
        'analyze_success': True,
        'version_info': {},
        'note': '',
        'fault': [{
                'code': 'NORMAL_OR_UNSUPPORTED',
                'component': '',
                'module': '',
                'cause_zh': '故障事件分析模块无结果',
                'description_zh': '故障事件分析模块无结果，可能为正常训练作业，无故障发生。如果训练任务异常中断，存在问题无法解决，请联系华为工程师处理。',
                'suggestion_zh': '1. 若存在问题无法解决，请联系华为工程师定位排查',
                'class': '',
                'fault_source': ['1.1.1.1 device-Unknown'],
                'fault_chains': []
            }
        ]
    }
]

表3 results参数说明
字段	参数类型	描述
analyze_success	Bool	诊断是否成功。诊断成功：True 诊断失败：False
version_info	Dictionary	版本信息。
note	String	备注。
fault	List	故障事件列表。
code	String	故障码。
component	String	故障组件。
module	String	故障模块。
cause_zh	String	故障原因。
description_zh	String	故障描述。
suggestion_zh	String	建议方案。
class	String	故障类别。
fault_source	List	故障来源。
fault_chains	List	故障传播链。

父主题： 使用指导