hccl.json文件没有生成

问题现象描述

当启动一个训练任务后，训练任务容器内部hccl.json文件处于initializing状态（文件默认路径：“/user/serverid/devindex/config/hccl.json”）。

执行kubectl exec -it XXX bash 进入容器，若Pod不在default命名空间，则需要加-n XXX指明命名空间，如：kubectl exec -it XXX -n XXX bash。

原因分析

• 原因一：HCCL Controller没有正常启动。
• 原因二：Ascend Device Plugin启动参数配置了“-volcanoType=false”，可通过如下命令进行确认。

  ps -ef | grep "device-plugin"

• 原因三：若Ascend Device Plugin组件日志出现如下内容，表示Ascend Device Plugin没有正确获取到device ip导致无法写Pod的Annotations。

  Get device ip failed

解决措施

原因一：参考《MindX DL 集群调度用户指南》安装相关内容，重新安装HCCL Controller。

原因二：参考《MindX DL 集群调度用户指南》，修改Ascend Device Plugin的启动参数“-volcanoType=true”之后再重新apply对应的yaml文件。

原因三：正确配置device ip，请参见《CANN 软件安装指南》中“常用操作 > 配置网卡IP地址”章节。