MindCluster-昇腾社区

产品堆栈

系统资源健康监控

通过Ascend Device Plugin、NodeD、ClusterD、NPU Exporter基础组件对接第三方平台，实现AI处理器、服务器节点健康状态全量监控、资源指标实时监测能力，保障集群稳定运行

典型故障自动化处理

通过Ascend FaultDiag组件从训练任务产生的日志中提取关键信息，一键分析发生故障设备和根因，大幅提高训练作业问题的诊断能力

训练任务分钟级恢复

基于Volcano、ClusterD、Ascend Operator或HCCL Controller、NodeD、Ascend Device Plugin、和Elastic Agent等组件提供断点续训能力，实现故障发现、故障处理、任务重调度全流程自动化，训练任务分钟级恢复