Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Pemeriksaan kesehatan yang mendalam
SageMaker HyperPod melakukan *pemeriksaan kesehatan mendalam* pada instance cluster selama pembuatan dan pembaruan HyperPod cluster. Pemeriksaan kesehatan mendalam memastikan keandalan dan stabilitas SageMaker HyperPod cluster dengan menguji secara menyeluruh komponen perangkat keras dan infrastruktur yang mendasarinya sebelum mengizinkan cluster digunakan untuk melatih model pembelajaran mesin. Pendekatan proaktif ini membantu mengidentifikasi dan mengurangi potensi masalah di awal siklus hidup klaster.
## Daftar pemeriksaan kesehatan mendalam yang dilakukan oleh SageMaker HyperPod
SageMaker HyperPod menjalankan pemeriksaan kesehatan mendalam berikut.
**Pemeriksaan kesehatan mendalam tingkat instans**
| Kategori | Nama utilitas | Kompatibilitas tipe instans | Deskripsi |
| --- | --- | --- | --- |
| Akselerator | GPU/hitung NVLink | GPU | Memverifikasi GPU/NVLink jumlah. |
| Akselerator | [Diagnostik DCGM tingkat 4](https://docs.nvidia.com/datacenter/dcgm/latest/user-guide/dcgm-diagnostics.html) | GPU | Menilai kesehatan dan fungsionalitas NVIDIA GPUs dengan menjalankan diagnostik DCGM (NVIDIA Data Center GPU Manager) di level 4, termasuk tes memori tambahan. |
| Akselerator | Sysfs neuron | Trainium | Untuk instance yang didukung Trainium, kesehatan perangkat Neuron ditentukan dengan membaca penghitung dari [Sysf Neuron yang disebarkan langsung oleh driver Neuron](https://awsdocs-neuron.readthedocs-hosted.com/en/latest/tools/neuron-sys-tools/neuron-sysfs-user-guide.html). |
| Akselerator | Pemeriksaan perangkat keras neuron | Trainium | Menjalankan beban kerja pelatihan dan memverifikasi hasilnya untuk menguji perangkat keras. |
| Akselerator | Tes lokal NCCOM | Trainium | Mengevaluasi kinerja operasi komunikasi kolektif pada node Trainium tunggal |
| Jaringan | EFA | GPU dan Trainium | Menjalankan pembandingan latensi dan bandwidth pada perangkat EFA yang terpasang. |
**Pemeriksaan kesehatan mendalam tingkat cluster**
| Kategori | Nama utilitas | Kompatibilitas tipe instans | Deskripsi |
| --- | --- | --- | --- |
| Akselerator | Tes NCCL | GPU | Memverifikasi kinerja operasi komunikasi kolektif pada beberapa NVIDIA GPUs |
| Akselerator | Tes cluster NCCOM | Trainium | Memverifikasi kinerja operasi komunikasi kolektif pada beberapa node Trainium |
## Log dari pemeriksaan kesehatan yang mendalam
Berikut ini adalah contoh log dari pemeriksaan kesehatan SageMaker HyperPod mendalam.
**Log tingkat cluster**
Log pemeriksaan kesehatan mendalam tingkat cluster disimpan di grup log Anda CloudWatch di `/aws/sagemaker/Clusters//`
Aliran log dicatat di`DeepHealthCheckResults/`.
Seperti contoh yang ditunjukkan di bawah ini, log keluaran pemeriksaan kesehatan mendalam menunjukkan ID instance yang gagal dalam pemeriksaan dengan penyebab kegagalan.
```
{
"level": "error",
"ts": "2024-06-18T21:15:22Z",
"msg": "Encountered FaultyInstance. Replace the Instance. Region: us-west-2, InstanceType: p4d.24xlarge. ERROR:Bandwidth has less than threshold: Expected minimum threshold :80,NCCL Test output Bw: 30"
}
```
**Log tingkat instans**
Log pemeriksaan kesehatan mendalam tingkat instance disimpan `/var/log/aws/clusters/sagemaker-deep-health-check.log` di setiap node. SSH ke node dan buka file log dengan menjalankan perintah berikut.
```
cat /var/log/aws/clusters/sagemaker-deep-health-check.log
```
Berikut ini adalah contoh output dari stress hardware, stress [NVIDIA DCGM](https://developer.nvidia.com/dcgm), dan uji konektivitas EFA.
```
# Hardware Stress Test output
2024-08-20T21:53:58Z info Executing Hardware stress check with command: stress-ng, and args: [--cpu 32 --vm 2 --hdd 1 --fork 8 --switch 4 --timeout 60 --metrics]
2024-08-20T21:54:58Z info stress-ng success
2024-08-20T21:54:58Z info GpuPci Count check success
# DCGM Stress Test
2024-08-20T22:25:02Z info DCGM diagnostic health summary: dcgmCheckLevel: 0 dcgmVersion: 3.3.7 gpuDriverVersion: 535.183.01, gpuDeviceIds: [2237] replacementRequired: false rebootRequired:false
# EFA Loopback Test
2024-08-20T22:26:28Z info EFA Loopback check passed for device: rdmap0s29 . Output summary is MaxBw: 58.590000, AvgBw: 32.420000, MaxTypicalLat: 30.870000, MinTypicalLat: 20.080000, AvgLat: 21.630000
```
Berikut ini adalah contoh output dari uji konektivitas NCCL.
```
# size count type redop root time algbw busbw #wrong time algbw busbw #wrong
# (B) (elements) (us) (GB/s) (GB/s) (us) (GB/s) (GB/s)
8 2 float sum -1 353.9 0.00 0.00 0 304.2 0.00 0.00 0
16 4 float sum -1 352.8 0.00 0.00 0 422.9 0.00 0.00 0
32 8 float sum -1 520.0 0.00 0.00 0 480.3 0.00 0.00 0
64 16 float sum -1 563.0 0.00 0.00 0 416.1 0.00 0.00 0
128 32 float sum -1 245.1 0.00 0.00 0 308.4 0.00 0.00 0
256 64 float sum -1 310.8 0.00 0.00 0 304.9 0.00 0.00 0
512 128 float sum -1 304.9 0.00 0.00 0 300.8 0.00 0.00 0
1024 256 float sum -1 509.3 0.00 0.00 0 495.4 0.00 0.00 0
2048 512 float sum -1 530.3 0.00 0.00 0 420.0 0.00 0.00 0
4096 1024 float sum -1 391.2 0.01 0.01 0 384.5 0.01 0.01 0
8192 2048 float sum -1 328.5 0.02 0.02 0 253.2 0.03 0.03 0
16384 4096 float sum -1 497.6 0.03 0.03 0 490.9 0.03 0.03 0
32768 8192 float sum -1 496.7 0.07 0.07 0 425.0 0.08 0.08 0
65536 16384 float sum -1 448.0 0.15 0.15 0 501.0 0.13 0.13 0
131072 32768 float sum -1 577.4 0.23 0.23 0 593.4 0.22 0.22 0
262144 65536 float sum -1 757.8 0.35 0.35 0 721.6 0.36 0.36 0
524288 131072 float sum -1 1057.1 0.50 0.50 0 1019.1 0.51 0.51 0
1048576 262144 float sum -1 1460.5 0.72 0.72 0 1435.6 0.73 0.73 0
2097152 524288 float sum -1 2450.6 0.86 0.86 0 2583.1 0.81 0.81 0
4194304 1048576 float sum -1 4344.5 0.97 0.97 0 4419.3 0.95 0.95 0
8388608 2097152 float sum -1 8176.5 1.03 1.03 0 8197.8 1.02 1.02 0
16777216 4194304 float sum -1 15312 1.10 1.10 0 15426 1.09 1.09 0
33554432 8388608 float sum -1 30149 1.11 1.11 0 29941 1.12 1.12 0
67108864 16777216 float sum -1 57819 1.16 1.16 0 58635 1.14 1.14 0
134217728 33554432 float sum -1 115699 1.16 1.16 0 115331 1.16 1.16 0
268435456 67108864 float sum -1 227507 1.18 1.18 0 228047 1.18 1.18 0
536870912 134217728 float sum -1 453751 1.18 1.18 0 456595 1.18 1.18 0
1073741824 268435456 float sum -1 911719 1.18 1.18 0 911808 1.18 1.18 0
2147483648 536870912 float sum -1 1804971 1.19 1.19 0 1806895 1.19 1.19 0
2024-08-20T16:22:43.831-07:00
# Out of bounds values : 0 OK
2024-08-20T16:22:43.831-07:00
# Avg bus bandwidth : 0.488398
2024-08-20T23:22:43Z info Nccl test successful. Summary: NcclMaxAlgoBw: 1.190000, NcclAvgAlgoBw: 0.488398, NcclThresholdAlgoBw: 1.180000, NcclOutOfBoundError: OK, NcclOperations: all_reduce_perf, NcclTotalDevices: 2, NcclNodes: 2, NcclClusterMessage:
```