文档中心

GPU云服务器

集群诊断

创建诊断任务

本文介绍如何诊断高性能计算GPU型云服务器实例健康状态，便于您对其故障或性能指标不达预期进行定位。

使用限制

暂仅支持运行中状态的Linux操作系统实例使用本功能。

待诊断实例必须安装云助手客户端。

若当前实例有正在进行的诊断任务，则需等待当前诊断完成后再发起下一次诊断。

操作说明

若为首次使用集群诊断服务，请单击“立即创建”按钮，为您的账号授权一个拥有云服务器资源读写授信的角色（CustomRoleForDiagnose）和（CustomRoleForHpcDiagnose），高性能计算集群将扮演该角色访问您诊断任务涉及的云资源。

说明

单击“立即创建”按钮后，系统将会自动完成相关角色的授权。

若此处仅展示一个角色（CustomRoleForDiagnose或CustomRoleForHpcDiagnose），则表示另外一个角色已有对应权限。

跨服务访问属于IAM角色实现，该角色将您的云资源权限授予当前云服务，当前服务将通过角色扮演来访问其他云服务资源。关于访问控制。

操作步骤

注意

该检测对实例上运行的业务有损，可能导致业务中断，检测前，请确认实例的业务状态，并选择合适的时间进行检测，例如在业务空闲时进行检测。

诊断前将在实例内自动安装相关包和依赖，自定义镜像环境中，相关包和依赖有安装失败的风险，未安装成功会导致相关检测项诊断失败。

登录实例控制台。

在左侧导航栏选择“实例与镜像 > 高性能计算集群”。

在顶部导航栏选择目标实例所在项目与地域。

单击“集群诊断”页签。

单击“创建诊断”按钮，配置如下信息。

参数	说明	取值样例
诊断项选择	选择当前待诊断项，支持单机诊断和集群诊断。说明单机诊断和集群诊断均支持对所有高性能计算GPU型实例进行检测。单机诊断为实例级别检测，主要用于诊断GPU设备的健康状态，包括检测GPU实例单机内的设备健康（驱动配置、GPU卡和网卡配置是否正常等）、NCCL Test、机内带宽等，具体诊断项请参见诊断汇总。您可以选择如下方式进行诊断： GPU设备健康检查：与“GPU设备深度健康检查”检测的诊断项完全一致，但诊断速度更快，适合快速排查简单故障。说明 “GPU设备健康检查”预计需要5分钟完成诊断。 GPU设备深度健康检查：与“GPU设备健康检查”检测的诊断项完全一致，但诊断速度较慢，诊断内容更全面，所需时间和磁盘占用也会更多，适合排查复杂故障。说明 “GPU设备深度健康检查”预计需要40分钟完成诊断。集群诊断为集群级别检测，主要用于诊断高性能计算集群中的连通性和性能等，包括检测集群中RDMA网卡与交换机的连通性、集群内实例之间的nccl-tests建连和nccl-tests性能等，具体诊断项请参见诊断项汇总。	单机诊断/GPU设备健康检查
高性能计算集群	选择待诊断实例的高性能计算集群，关于创建高性能计算集群。	-
实例选择	选择需要诊断的目标实例。说明若目标实例已经处于正在诊断分析的流程中，请等待诊断结束后，再选择该实例进行新的诊断。	-
云助手检测安装	检查是否已安装云助手客户端，如果当前实例内未安装云助手客户端，建议安装云助手客户端。说明若未安装云助手，则无法进行实例诊断。	-

完成配置后，单击“创建”按钮，进入诊断流程。

等待诊断结束后，即可查看本次实例诊断结果。

后续步骤

若存在建议修复项，请根据修复建议指引或诊断项修复建议完成修复后，单击“重新诊断”按钮，确定异常是否已被修复。

最近更新时间：2025.08.27 11:22:44

这个页面对您有帮助吗？

有用

无用