PRBS码流诊断

测试项功能

通过对NPU芯片的RoCE网口收发PRBS码流，诊断硬件链路的通信信号质量。

prbs码流诊断支持以下2种打流方式：

CDR环回打流：单个Device同时发送和接收，可用于检查从NPU的物理serdes端口到CDR单元的信号质量。在打流前，请确保光模块在位，然后再进行CDR环回配置。执行如下命令配置或解除CDR回环，其余参数说明请参考《Atlas A2 中心推理和训练硬件 24.1.0 HCCN Tool 接口参考》的“配置功能>配置和查询CDR相关信息”章节。
- 配置CDR回环，t取值顺序为3、0，例如依次执行如下命令：
  hccn_tool -i 0 -scdr -t 3
  
  hccn_tool -i 0 -scdr -t 0
- 解除CDR回环，t取值顺序为2、1，例如依次执行如下命令：
  hccn_tool -i 0 -scdr -t 2
  
  hccn_tool -i 0 -scdr -t 1
光模块外接光纤回路器（自环器）打流：单个Device同时发送和接收，可用于检查NPU的物理serdes端口到光模块的信号质量，不需要设置环回。

表1 诊断项说明
诊断项名称	使用Atlas A2 训练系列产品完成一轮诊断的参考耗时	是否影响NPU训练或推理	使用场景
prbs码流诊断	3s~10s	是	定位RoCE网口信号质量问题。

支持的场景

prbs码流诊断支持的设备及场景如表2所示。（在下表中，Y表示支持，N表示不支持。）

表2 支持的场景和产品型号
场景/产品型号	Atlas 800T A2 训练服务器	Atlas 200T A2 Box16 异构子框	Atlas 800I A2 推理服务器
物理机	Y	Y	Y
宿主机+容器	Y	Y	Y
虚拟机	Y	Y	Y

使用约束

当前仅支持root用户使用prbs码流诊断。
prbs码流诊断会影响NPU训练或推理作业，为保证返回检测结果的正确性和准确性，请单独执行。
执行prbs打流流程会自动关闭NPU和CDR自适应，多次执行打流命令时会反复开关自适应，当自适应开关动作未完成时，偶现误码数为67092480为正常现象。
若使用CDR环回打流，请在完成打流后解除CDR环回，详情请参见《Atlas A2 中心推理和训练硬件 24.1.0 HCCN Tool 接口参考》的“配置功能>配置和查询CDR相关信息”章节。

测试项参数查询

各参数解释如表3所示。

表3 参数说明
参数	说明	是否必填
[-dg, --dg, --diagnosis]	使用该参数进行整卡的故障诊断测试。	是
[-i, --items]	指定具体的诊断检查项： prbs ：码流诊断。不传入此参数，则默认执行除aicore和prbs外其他检查项的诊断。	是
[-d, --device]	指定需要进行诊断测试的Device ID，Device ID是指昇腾芯片的逻辑ID。可指定一个或多个Device ID，多个时各项之间使用“,”分隔。若不填写Device ID则默认返回所有Device的诊断结果。	否
[-td, --td, --trans-duration]	指定RoCE端口prbs码流诊断的时长。仅支持items指定prbs时，此参数才可使用。参数取值范围为[3，10]，单位为秒。不指定该参数时，默认为3秒。	否
[-r, --result]	指定故障诊断结果和信息采集结果的保存路径，如：/test。指定的路径需符合安全要求，且不支持包含通配符“”。若用户指定结果保存路径，则在指定路径创建ascend_check文件夹，root用户指定的路径，将创建在根目录下，非root用户则创建在其$HOME下；若不指定路径，则保存在默认路径下，root用户：“/var/log/ascend_check”，非root用户：“$HOME*/var/log/ascend_check”。基于安全考虑，为防止结果保存目录权限被修改，用户可将结果保存目录ascend_check的权限设置为700。当[-fmt, --fmt, --format]后检查项指定json格式输出时，会进行故障诊断结果保存，结果保存在“ascend_check/environment_check_before.txt”文件中，不指定json格式输出时，不保存故障诊断结果。	否
[-fmt, --fmt, --format]	指定输出格式，可以为normal或json。若未指定则默认为normal。当诊断项未通过时，返回的json回显示例请参见诊断项未通过时返回的json示例-PRBS。	否
[-q, --quiet]	指定该参数，将不再进行防呆提示，用户将默认允许该操作。该参数必须与-i参数的bandwidth、aiflops、hbm、aicore、prbs、tdp、edp一起使用。若不指定该参数，用户需要输入Y或N（y或n）确认是否进行测试。	否
注：本文档输入或输出的Device ID都是芯片逻辑ID。用户可以执行npu-smi info -m命令，在显示界面表格中的Chip Logic ID参数处获得芯片逻辑ID，NPU ID则为对应的芯片物理ID。 ascend-dmi --dg后使用-i，-d等多个二级参数时，可任意指定这些参数的排列顺序，不影响命令结果输出。

使用实例

ascend-dmi -dg -i prbs -d 0,1 --td 3

故障检查项说明

表4 故障检查项说明
回显状态	含义
IMPORTANT_WARN	重要警告 RoCE端口存在误码，且误码率大于10^-5，请联系华为工程师处理。
SKIP	当前产品形态不支持该项检测。当前使用的用户为非root用户。
PASS	码流检测通过。RoCE端口信号质量正常（误码率小于10^-5）。
FAIL	码流检测失败。诊断结果为满误码（误码数为67092480）。

父主题： 故障诊断