Health 监控系统 - 亚马逊 SageMaker AI
由运行状况 SageMaker HyperPod 监控代理完成的健康检查故障检测运行 SageMaker HyperPod 状况监控代理生成的日志
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

Health 监控系统

SageMaker HyperPod 健康监控系统包括两个组件

  1. 安装在节点中的监控代理，包括用作主机运行状况监控器的运行状况监控代理 (HMA) 和一组运行状况监视器。 out-of-node

  2. 由管理的节点恢复系统 SageMaker HyperPod。运行状况监控系统将通过监控代理持续监控节点的运行状况，然后在使用节点恢复系统检测到故障时自动采取措施。

此图说明了运行状况监控系统如何与集 HyperPod 群集成。

由运行状况 SageMaker HyperPod 监控代理完成的健康检查

SageMaker HyperPod 运行状况监控代理会检查以下内容。

英伟达 GPUs

  • 违反 DCGM 策略的通知

  • nvidia-smi 输出中的错误

  • Amazon Elastic Compute Cloud (EC2) 平台生成的日志中存在各种错误

  • GPU 计数验证 — 如果特定实例类型 GPUs 中的预期数量（例如：ml.p5.48xlarge 实例类型 GPUs 中的 8）与返回的计数不匹配，则 HMA 会重新启动该节点 nvidia-smi

AmazonTrainium

上述检查是被动的，后台 HyperPod 运行状况检查会持续在您的节点上运行。除了这些检查外， HyperPod 还会在创建和更新 HyperPod 集群期间运行深度（或主动）运行状况检查。了解有关深度运行状况检查的更多信息。

故障检测

当 SageMaker HyperPod 检测到故障时，它会实现由四部分组成的响应：

  1. 节点标签

    1. Health 状态：sagemaker.amazonaws.com/node-health-status

    2. 错误类型：用于高级分类的sagemaker.amazonaws.com/fault-types标签

    3. 故障原因：详细故障信息的sagemaker.amazonaws.com/fault-reasons标签

  2. 节点污点

    1. sagemaker.amazonaws.com/node-health-status=Unschedulable:NoSchedule

  3. 节点注释

    1. 故障详情：sagemaker.amazonaws.com/fault-details

    2. 记录节点上发生的最多 20 个带有时间戳的故障

  4. 节点条件（Kubernetes 节点条件）

    1. 反映节点条件下的当前生命值：

      • 类型：与故障类型相同

      • 状态：True

      • 原因：与故障原因相同

      • LastTransitionTime: 故障发生时间

此图说明了检测到故障时运行状况监控系统的工作原理。

运行 SageMaker HyperPod 状况监控代理生成的日志

运行 SageMaker HyperPod 状况监控代理是一项运行 out-of-the-box状况检查功能，可在所有 HyperPod 集群上持续运行。运行状况监控代理将在 GPU 或 Trn 实例上检测到的运行状况事件发布到集群日志组 CloudWatch /aws/sagemaker/Clusters/下。

来自 HyperPod 运行状况监控代理的检测日志创建为SagemakerHealthMonitoringAgent为每个节点命名的单独日志流。您可以使用日志见解查询检测日志，如下所示。 CloudWatch 

fields @timestamp, @message
| filter @message like /HealthMonitoringAgentDetectionEvent/

返回的输出结果应与下面类似。

2024-08-21T11:35:35.532-07:00
    {"level":"info","ts":"2024-08-21T18:35:35Z","msg":"NPD caught event: %v","details: ":{"severity":"warn","timestamp":"2024-08-22T20:59:29Z","reason":"XidHardwareFailure","message":"Node condition NvidiaErrorReboot is now: True, reason: XidHardwareFailure, message: \"NVRM: Xid (PCI:0000:b9:00): 71, pid=<unknown>, name=<unknown>, NVLink: fatal error detected on link 6(0x10000, 0x0, 0x0, 0x0, 0x0, 0x0, 0x0)\""},"HealthMonitoringAgentDetectionEvent":"HealthEvent"}
2024-08-21T11:35:35.532-07:00
    {"level":"info","ts":"2024-08-21T18:35:35Z","msg":"NPD caught event: %v","details: ":{"severity":"warn","timestamp":"2024-08-22T20:59:29Z","reason":"XidHardwareFailure","message":"Node condition NvidiaErrorReboot is now: True, reason: XidHardwareFailure, message: \"NVRM: Xid (PCI:0000:b9:00): 71, pid=<unknown>, name=<unknown>, NVLink: fatal error detected on link 6(0x10000, 0x0, 0x0, 0x0, 0x0, 0x0, 0x0)\""},"HealthMonitoringAgentDetectionEvent":"HealthEvent"}