组件调用流程

断点续训组件调用流程如图1所示，组件功能说明如表1所示。

各步骤说明如下：

1. Ascend Device Plugin发现和上报故障、健康状态。
2. NodeD更新节点心跳和节点硬件故障信息，以便Volcano可以准确判断节点故障类型。
3. ClusterD根据Ascend Device Plugin提供的芯片信息，确定芯片是否正常。
4. ClusterD获取节点的心跳及节点硬件故障（如CPU、内存、硬盘故障）。
5. ClusterD将收集来的芯片、节点信息汇总后放入ConfigMap。
6. Volcano获取整个集群的设备信息，健康设备用于新任务的调度，故障设备若存在任务，Volcano将会将其调度到其他健康设备上。
7. Volcano按照亲和性规则选择节点和芯片，并调度训练任务到符合要求的节点上。
8. Ascend Device Plugin根据Pod上Volcano指定的芯片ID来分配芯片，并将芯片IP信息写到容器上。
9. 容器启动之前，Ascend Docker Runtime为训练容器自动挂载NPU相关设备，驱动so等文件和目录。
10. Ascend Operator将训练任务需要的相关环境变量（如集合通信信息和训练配置信息等）写入容器中。或者使用HCCL Controller获取训练任务容器上的芯片信息，自动生成分布式训练任务需要的通信集合信息。