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](https://www.volcengine.com/docs/6396/147514)。 * 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。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_50c7cad73044eb097d4888ec93743b79.png =658x) :::tip * 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](https://www.volcengine.com/docs/6396/115212)。 ::: ## 操作步骤 :::warning * 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。 ::: 1. 登录[实例控制台](https://console.volcengine.com/ecs/region:ecs+cn-beijing/instance?projectName=default)。 2. 在左侧导航栏选择“实例与镜像 \> 高性能计算集群”。 3. 在顶部导航栏选择目标实例所在项目与地域。 4. 单击“集群诊断”页签。 5. 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。|单机诊断/GPU设备健康检查 |\ | |:::tip| |\ | |单机诊断和集群诊断均支持对所有[高性能计算GPU型](https://www.volcengine.com/docs/6419/189892?LibVersion=markdown%E5%A4%87%E4%BB%BD%E7%89%88%E6%9C%AC)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](https://www.volcengine.com/docs/6419/1339309?LibVersion=markdown%E5%A4%87%E4%BB%BD%E7%89%88%E6%9C%AC)。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。| |\ | | :::tip| |\ | | “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。| |\ | | :::tip| |\ | | “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](https://www.volcengine.com/docs/6419/1339309?LibVersion=markdown%E5%A4%87%E4%BB%BD%E7%89%88%E6%9C%AC)。 | | |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](https://www.volcengine.com/docs/6419/69389?LibVersion=markdown%E5%A4%87%E4%BB%BD%E7%89%88%E6%9C%AC)。 |\- | |实例选择 |选择需要诊断的目标实例。|\- |\ | |:::tip| |\ | |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](https://www.volcengine.com/docs/6396/147514)。|\- |\ | |:::tip| |\ | |若未安装云助手，则无法进行实例诊断。| |\ | || |\ | |:::| | 6. 完成配置后，单击“创建”按钮，进入诊断流程。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_1365293ae6379a6902c41565a9eb8ee0.png =773x) 7. 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](https://www.volcengine.com/docs/6419/1339309?LibVersion=markdown%E5%A4%87%E4%BB%BD%E7%89%88%E6%9C%AC)完成修复后，单击“重新诊断”按钮，确定异常是否已被修复。

GPU云服务器