ヘルスモニタリングエージェント

このセクションでは、アクセラレーター (GPU コアと Trainium コア) やネットワーク (EFA) などのデバイスに関する問題について、SageMaker HyperPod がクラスターインスタンスのヘルスを定期的にモニタリングするために使用するヘルスチェックのセットについて説明します。SageMaker HyperPod ヘルスモニタリングエージェント (HMA) は、各 GPU ベースまたは Trainium ベースのインスタンスのヘルスステータスを継続的にモニタリングします。インスタンスまたは GPU の障害を検出すると、エージェントはインスタンスを異常としてマークします。

SageMaker HyperPod HMA は、EKS オーケストレーターと Slurm オーケストレーターの両方で同じヘルスチェックを実行します。HMA の詳細については、「」を参照してくださいヘルスモニタリングシステム。