本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 深層運作狀態檢查
SageMaker HyperPod 會在建立和更新 HyperPod 叢集期間，對叢集執行個體執行*深度運作狀態檢查*。深層運作狀態檢查可確保 SageMaker HyperPod 叢集的可靠性和穩定性，方法是在允許叢集用於訓練機器學習模型之前，徹底測試基礎硬體和基礎設施元件。這種主動方法有助於在叢集生命週期的早期識別和緩解潛在問題。
## SageMaker HyperPod 執行的深層運作狀態檢查清單
SageMaker HyperPod 會執行下列深層運作狀態檢查。
**執行個體層級深層運作狀態檢查**
| Category | 公用程式名稱 | 執行個體類型相容性 | Description |
| --- | --- | --- | --- |
| 加速器 | GPU/NVLink 計數 | GPU | 驗證 GPU/NVLink 計數。 |
| 加速器 | [DCGM 診斷](https://docs.nvidia.com/datacenter/dcgm/latest/user-guide/dcgm-diagnostics.html)層級 4 | GPU | 在層級 4 執行 DCGM (NVIDIA Data Center GPU Manager) 診斷來評估 NVIDIA GPU 的運作狀態和功能，包括額外的記憶體測試。 |
| 加速器 | Neuron sysfs | Trainium | 對於採用 Trainium 技術的執行個體，Neuron 裝置的運作狀態取決於從 [Neuron sysfs](https://awsdocs-neuron.readthedocs-hosted.com/en/latest/tools/neuron-sys-tools/neuron-sysfs-user-guide.html)讀取由 Neuron 驅動程式直接傳播的計數器。 |
| 加速器 | Neuron 硬體檢查 | Trainium | 執行訓練工作負載並驗證結果以測試硬體。 |
| 加速器 | NCCOM 本機測試 | Trainium | 評估單一 Trainium 節點上集體通訊操作的效能 |
| 網路 | EFA | GPU 和 Trainium | 在連接的 EFA 裝置上執行延遲和頻寬基準測試。 |
**叢集層級深層運作狀態檢查**
| Category | 公用程式名稱 | 執行個體類型相容性 | Description |
| --- | --- | --- | --- |
| 加速器 | NCCL 測試 | GPU | 驗證多個 NVIDIA GPU 上集體通訊操作的效能 |
| 加速器 | NCCOM 叢集測試 | Trainium | 驗證多個 Trainium 節點上集體通訊操作的效能 |
## 來自深層運作狀態檢查的日誌
以下是來自 SageMaker HyperPod 深層運作狀態檢查的範例日誌。
**叢集層級日誌**
叢集層級深層運作狀態檢查日誌會存放在 CloudWatch 日誌群組的 `/aws/sagemaker/Clusters//` 中
日誌串流會記錄在 `DeepHealthCheckResults/`。
如以下範例所示，深層運作狀態檢查輸出日誌會顯示檢查失敗的執行個體 ID，以及失敗的原因。
```
{
"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"
}
```
**執行個體層級日誌**
執行個體層級深層運作狀態檢查日誌存放在每個節點上的 `/var/log/aws/clusters/sagemaker-deep-health-check.log` 中。透過 SSH 進入節點，並執行下列命令來開啟日誌檔案。
```
cat /var/log/aws/clusters/sagemaker-deep-health-check.log
```
以下是硬體壓力、[NVIDIA DCGM](https://developer.nvidia.com/dcgm) 壓力和 EFA 連線測試的範例輸出。
```
# 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
```
以下是 NCCL 連線測試的範例輸出。
```
# 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:
```