PodGroup

ring-controller.atlas

标识Atlas的Pod

• ascend-910
• ascend-{xxx}b

Ascend Device Plugin、Ascend Operator、Volcano

fault-scheduling

任务故障重调度开关

grace、force、off

Volcano、Resilience Controller

elastic-scheduling

任务弹性调度开关

on

Resilience Controller、Volcano

fault-retry-times

任务发生业务面故障可以重调度的次数

0-100

Volcano、Ascend Operator

tor-affinity

交换机亲和性策略

• normal-schema
• large-model-schema
• null

Volcano

npu-310-strategy

标记推理服务器（插Atlas 300I 推理卡）调度策略

• card
• chip

Volcano

pod-rescheduling

是否启用Pod级别重调度。

• on：开启Pod级别重调度
• 其他值或不使用该字段：关闭Pod级别重调度

Volcano

process-recover-enable

是否启用进程级别重调度。

• on：开启进程级别重调度
• 其他值或不使用该字段：关闭进程级别重调度

Volcano

subHealthyStrategy

亚健康处理策略

• ignore：忽略该亚健康节点，后续任务在亲和性调度上不优先调度该节点。
• graceExit：不使用亚健康节点，并保存临终CKPT文件后，进行重调度，后续任务不会调度到该节点。
• forceExit：不使用亚健康节点，不保存任务直接退出，进行重调度，后续任务不会调度到该节点。
• hotSwitch：执行亚健康热切，拉起备份Pod后，暂停训练任务，并使用新节点重新拉起训练。

Volcano

sp-block

指定逻辑超节点芯片数量。

整数

Volcano、Ascend Operator

huawei.com/schedule_policy

指定调度策略。

目前支持表3中的配置。

Volcano

sp-fit

超节点调度策略。

idlest：逻辑超节点会调度到更空闲的物理超节点。

Volcano

huawei.com/schedule_minAvailable

任务能够调度的最小副本数。

整数

Volcano

huawei.com/recover_policy_path

任务重调度策略。

pod：只支持Pod级重调度，不升级为Job级别。

Volcano

huawei.com/schedule_enable_dequeue

是否启动任务可出队（从Inqueue变为Pending状态）功能。需手动配置。

• “on”：开启
• 其他取值：关闭

不配置则默认关闭。

Volcano

huawei.com/schedule_dequeue_frequency

记录任务出队次数。Volcano自动更新。

任务出队1次，该值加1。

Volcano

huawei.com/schedule_enqueue_time

记录任务入队（从Pending变为Inqueue状态）时间。Volcano自动更新。

毫秒级时间戳。

Volcano

chip4-node8

1个节点8张芯片，每4个芯片形成1个互联环。例如，Atlas 800 训练服务器（型号 9000）/Atlas 800 训练服务器（型号 9010）芯片的整模块场景。

chip1-node2

1个节点2张芯片。例如，Atlas 300T 训练卡的插卡场景，1张卡最多插1个芯片，1个节点最多插2张卡。

chip4-node4

1个节点4张芯片，形成1个互联环。例如，Atlas 800 训练服务器（型号 9000）/Atlas 800 训练服务器（型号 9010）芯片的半配场景。

chip8-node8

1个节点8张卡，8张卡都在1个互联环上。例如，Atlas 800T A2 训练服务器。

chip8-node16

1个节点16张卡，每8张卡在1个互联环上。例如，Atlas 200T A2 Box16 异构子框。

chip2-node16

1个节点16张卡，每2张卡在1个互联环上。例如，Atlas 800T A3 超节点服务器。

chip2-node16-sp

1个节点16张卡，每2张卡在1个互联环上，多个服务器形成超节点。例如，Atlas 900 A3 SuperPoD 超节点。