文档中心

GPU云服务器

集群诊断

诊断项汇总

诊断项汇总

本文汇总了集群诊断功能支持的诊断项、检测项、修复建议等详情。

诊断指标ID	对应控制台上的诊断项	诊断项说明	影响	修复建议
GuestOS.RdmaAgentService	单机诊断	检测RDMA网络配置器状态。	实例内rdma-agent.service服务未正常运行，可能引起RDMA网络无法正常使用、RDMA网络性能不达预期等情况。	RDMA网络配置器未正常执行解决方案
GuestOS.Nvidia.DriverStatus			检测GPU驱动版本。	实例内未检测到GPU驱动或驱动无响应，可能导致GPU无法正确使用。	安装GPU驱动
GuestOS.Nvidia.FabricmanagerService			检测实例上nvidia-fabricmanager.service服务状态。	实例内nvidia-fabricmanager.service服务状态异常，GPU将无法正确使用。	nvidia-fabricmanager.service状态异常解决方案
GuestOS.Nvidia.ModStatus			检测实例上GPU所需内核模块是否加载。	实例内GPU所需内核模块未加载，可能导致GPU部分功能无法正确使用、GPU性能下降等。	NVIDIA所需内核模块未加载解决方案
GuestOS.Nvidia.NicConfig			检测实例中RDMA网卡的片上配置是否正常。	实例内RDMA网卡的片上配置错误，可能导致RDMA网卡无法正确使用、RDMA网卡性能下降等。	提交工单
GuestOS.Nvidia.RailOptimized			检测实例中RDMA网卡是否进行多轨道组网。	实例内RDMA网卡未多轨道组网，可能导致RDMA网络性能下降。	提交工单
GuestOS.MonitorStatus			检测实例中火山引擎监控服务是否正常运行。	实例内监控服务未安装或状态异常，可能导致实例异常发现不及时。	安装插件
GuestOS.Nvidia.NvmlStatus			检测实例中nvidia NVML链接库是否正常。	实例内NVIDIA NVML链接库无法正常链接，可能导致实例中GPU异常发现不及时。	NVML链接库链接异常解决方案
GuestOS.Nvidia.OfedStatus			检测实例中是否正确安装RDMA网卡驱动，是否能正确获取RDMA网卡驱动版本。	实例内未检测到RDMA网卡驱动，可能导致RDMA网卡无法正确使用。	提交工单
GuestOS.Nvidia.Gdr			检测实例中GPU的GDR性能。	若性能异常，可能导致实例内RDMA网卡到GPU之间GDR性能偏低。若性能测试无法启动，可能导致实例内RDMA网卡与GPU之间无法建立GDR连接。	提交工单
GuestOS.Nvidia.RdmaNic			检测RDMA网卡性能和连通性。	实例内RDMA网卡性能偏低或实例内RDMA网卡之间无法连通。	提交工单
GuestOS.Nvidia.NcclTest			检测实例中nvidia nccl-tests单机性能是否异常。	实例上NVIDIA nccl-tests检测结果性能偏低。	提交工单
GuestOS.Nvidia.H2dBandwidthTest			检测实例中GPU与主机间带宽性能是否异常。	实例上GPU与主机间带宽性能偏低。	提交工单
GuestOS.Nvidia.P2PBandwidthTest			检测实例中GPU与GPU间带宽性能和连通性是否异常。	实例上GPU与GPU之间的带宽性能偏低或无法连通。	提交工单
GuestOS.Nvidia.DcgmTest			检测NVIDIA DCGM是否全部通过。	可能导致其他NVIDIA GPU异常等。	提交工单
GuestOS.Hpc.ConnectivityTest	集群诊断	检测集群中RDMA网卡与交换机连通性，以及交换机的连通性。	实例中存在未与集群连通的RDMA网卡。	提交工单
GuestOS.Hpc.NcclTests			检测集群内实例之间的nccl-tests建连情况。	若集群NVIDIA nccl-tests建连失败，请结合实例性能异常诊断项的检测结果进行排查和分析。	提交工单
GuestOS.Hpc.NcclTests				检测集群内实例之间的nccl-tests性能。	若集群内NVIDIA nccl-tests检查结果性能偏低，请结合实例性能异常诊断项的检测结果进行排查和分析；若检查过程中，GPU上有其他负载存在，请忽略此错误，如存在其他GPU问题，请修复后重试。	提交工单

最近更新时间：2025.08.27 11:22:44

这个页面对您有帮助吗？

有用

有用

无用

无用