CN117135151B - 一种gpu集群的故障检测方法及gpu集群、电子设备和存储介质 - Google Patents

一种gpu集群的故障检测方法及gpu集群、电子设备和存储介质 Download PDF

Info

Publication number
CN117135151B
CN117135151B CN202311126565.XA CN202311126565A CN117135151B CN 117135151 B CN117135151 B CN 117135151B CN 202311126565 A CN202311126565 A CN 202311126565A CN 117135151 B CN117135151 B CN 117135151B
Authority
CN
China
Prior art keywords
gpu
detected
group
fault
cluster
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311126565.XA
Other languages
English (en)
Other versions
CN117135151A (zh
Inventor
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Moore Threads Technology Co Ltd
Original Assignee
Moore Threads Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Moore Threads Technology Co Ltd filed Critical Moore Threads Technology Co Ltd
Priority to CN202311126565.XA priority Critical patent/CN117135151B/zh
Publication of CN117135151A publication Critical patent/CN117135151A/zh
Application granted granted Critical
Publication of CN117135151B publication Critical patent/CN117135151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1034—Reaction to server failures by a load balancer
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开涉及一种GPU集群的故障检测方法及GPU集群、电子设备，所述方法包括：实时采集GPU集群中的GPU关联数据，以及利用GPU集群对应的预设内存空间对GPU关联数据进行实时缓存；确定待检测GPU组，待检测GPU组中包括GPU集群中部署的至少一个GPU；基于预设内存空间对待检测GPU组执行检查点操作，确定待检测GPU组对应的检查点数据，待检测GPU组对应的检查点数据是待检测GPU组对应的GPU关联数据；基于待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定待检测GPU组出现故障的概率、以及故障类别。本公开实施例可以有效提高GPU集群的故障检测效率和故障检测精确度。

Description

一种GPU集群的故障检测方法及GPU集群、电子设备和存储 介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种GPU集群的故障检测方法及GPU集群、电子设备。
背景技术
相关技术中，GPU的监控和故障管理，只能针对监控指标设置规则，或者针对硬件设备设置策略。学术界和部分企业有一些基于已有数据训练神经网络进行硬件故障检测模型的研究，但是目前准确率较低，且由于私有化GPU部署场景没有先验数据，很难推广实施。
发明内容
本公开提出了一种GPU集群的故障检测方法及GPU集群、电子设备的技术方案。
根据本公开的一方面，提供了一种GPU集群的故障检测方法，包括：实时采集GPU集群中的GPU关联数据，以及利用所述GPU集群对应的预设内存空间对所述GPU关联数据进行实时缓存；确定待检测GPU组，其中，所述待检测GPU组中包括所述GPU集群中部署的至少一个GPU；基于所述预设内存空间对所述待检测GPU组执行检查点操作，确定所述待检测GPU组对应的检查点数据，其中，所述待检测GPU组对应的检查点数据是所述待检测GPU组对应的GPU关联数据；基于所述待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定所述待检测GPU组出现故障的概率、以及故障类别。
在一种可能的实现方式中，所述确定待检测GPU组，包括：接收待执行任务，以及在所述GPU集群中为所述待执行任务分配GPU资源；将为所述待执行任务分配的GPU资源对应的GPU，确定为所述待执行任务对应的待检测GPU组。
在一种可能的实现方式中，所述方法还包括：在所述待执行任务对应的待检测GPU组出现故障的概率不大于预设概率阈值的情况下，利用所述待检测GPU组对应的GPU资源执行所述待执行任务；在所述待执行任务对应的待检测GPU组出现故障的概率大于所述预设概率阈值，且所述待执行任务对应的资源分配次数未达到预设分配次数阈值的情况下，重新在所述GPU集群中为所述待执行任务分配GPU资源，以及将重新分配的GPU资源对应的GPU，确定为所述待执行任务对应的更新后的待检测GPU组。
在一种可能的实现方式中，所述方法还包括：在所述待执行任务对应的待检测GPU组出现故障的概率大于所述预设概率阈值，且所述待执行任务对应的资源分配次数达到所述预设分配次数阈值的情况下，生成第一提示信息，其中，所述第一提示信息用于提示取消所述待执行任务。
在一种可能的实现方式中，所述确定待检测GPU组，包括：根据故障检测需求以及所述GPU集群中部署的各个GPU的运行负载，对所述GPU集群中部署的GPU进行分组，确定所述待检测GPU组。
在一种可能的实现方式中，所述基于所述待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定所述待检测GPU组出现故障的概率、以及故障类别，包括：基于所述待检测GPU组对应的检查点数据，确定所述待检测GPU组对应的属性信息；将所述待检测GPU组对应的属性信息，与所述预定义故障描述模型中包括的预定义故障属性信息进行匹配，确定所述待检测GPU组出现故障的概率、以及故障类别。
在一种可能的实现方式中，所述方法还包括：在确定所述待检测GPU组出现故障的概率大于预设概率阈值的情况下，根据所述待检测GPU组对应的故障类别，执行对应的预定义故障恢复操作。
在一种可能的实现方式中，所述方法还包括：在所述GPU集群中为所述待检测GPU组对应的任务，重新分配GPU资源；根据故障检测需求以及所述GPU集群中部署的各个GPU更新后的运行负载，对所述GPU集群中部署的GPU进行重新分组，确定更新后的所述待检测GPU组。
在一种可能的实现方式中，所述方法还包括：基于零样本学习算法，对已知故障属性描述数据进行模型训练，得到所述预定义故障描述模型。
根据本公开的一方面，提供了一种GPU集群，所述GPU集群包括：GPU管理器、预设内存空间、调度器、检查点模块、故障检测模块；所述GPU管理模块，用于实时采集GPU集群中的GPU关联数据；所述预设内存空间，用于对所述GPU关联数据进行实时缓存；所述调度器，用于确定待检测GPU组，其中，所述待检测GPU组中包括所述GPU集群中部署的至少一个GPU；所述检查点模块，用于基于所述预设内存空间对所述待检测GPU组执行检查点操作，确定所述待检测GPU组对应的检查点数据，其中，所述待检测GPU组对应的检查点数据是所述待检测GPU组对应的GPU关联数据；所述故障检测模块，用于基于所述待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定所述待检测GPU组出现故障的概率、以及故障类别。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，实时采集GPU集群中的GPU关联数据，以及利用GPU集群对应的预设内存空间对GPU关联数据进行实时缓存，从而有效实现了GPU集群的实时监控，以及利用预设内存空间实现了GPU集群的数据统一管理；根据实际业务使用情况，确定包括GPU集群中部署的至少一个GPU的待检测GPU组，并基于预设内存空间对待检测GPU组执行检查点操作，确定待检测GPU组对应的检查点数据，从而可以有效实现在无先验数据的情况下，基于待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定待检测GPU组出现故障的概率、以及故障类别，从而有效提高GPU集群的故障检测效率和故障检测精确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出相关技术中的GPU故障检测的示意图；
图2示出根据本公开实施例的一种GPU集群的故障检测方法的流程图；
图3示出根据本公开实施例的一种GPU集群的示意图；
图4示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
以Kubernetes平台为例，当前的GPU故障检测流程如图1所示。图1示出相关技术中的GPU故障检测的示意图。如图1所示，Kubernetes平台包括多个pod，每个pod上部署有GPU资源。GPU输出模块(GPU Exporter)包括：GPU管理器(GPU Manager)、超文本传输协议服务器(http Server)、指标收集(Metric Collection)组件。通过GPU Manager，提供GPU的数据采集和故障检测的能力，GPU Manager检测到的GPU数据通过Metric Collection组件传输给节点输出模块(Node Exporter)或者内部实现的http Server，监控服务器(Prometheus)再从Node exporter或服务监视器(Service Monitor)获取数据。
GPU故障检测过程中的故障识别和故障判断在两处：1、GPU Manger处可配置策略，例如，可配置隔离故障设备，重新执行任务；2、监控服务器(Prometheus)内部配置对应的规则，例如，可配置显存利用率高于95％触发告警。故障恢复：当前的故障恢复主要依赖人工发现告警后的处理，或者在运维工具中针对具体告警添加自动化脚本来进行恢复。
从GPU故障检测的角度来看，GPU故障包括：点异常、条件异常和群体异常。相关技术中无法解决GPU集群的群体异常问题。此外，在分布式并行计算场景下，业务的可靠运行和高效运行需要软硬件(例如，容器工具箱(container toolkit)/驱动(driver)均需要健康运行)以及多节点(例如，进行集合通信时各个运算单元的数据传输吞吐量均有保障)同时保持健康。相关技术中的GPU故障检测方案无法满足如此复杂的诉求。
GPU设备在主机和集群的成本占比可以达到80％，因此，需要更高效的GPU故障检测和恢复的机制，以及可以普遍使用的GPU故障检测能力。本公开实施例提供了一种GPU集群的故障检测方法，可以在无先验数据的情况下进行故障检测，提升GPU集群的可用性。下面对本公开实施例提供的GPU集群的故障检测方法进行详细描述。
图2示出根据本公开实施例的一种GPU集群的故障检测方法的流程图。如图2所示，该方法包括：
在步骤S21中，实时采集GPU集群中的GPU关联数据，以及利用GPU集群对应的预设内存空间对GPU关联数据进行实时缓存。
在步骤S22中，确定待检测GPU组，其中，待检测GPU组中包括GPU集群中部署的至少一个GPU。
在步骤S23中，基于预设内存空间对待检测GPU组执行检查点操作，确定待检测GPU组对应的检查点数据，其中，待检测GPU组对应的检查点数据是待检测GPU组对应的GPU关联数据。
在步骤S24中，基于待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定待检测GPU组出现故障的概率、以及故障类别。
根据本公开的实施例，实时采集GPU集群中的GPU关联数据，以及利用GPU集群对应的预设内存空间对GPU关联数据进行实时缓存，从而有效实现了GPU集群的实时监控，以及利用预设内存空间实现了GPU集群的数据统一管理；根据实际业务使用情况，确定包括GPU集群中部署的至少一个GPU的待检测GPU组，并基于预设内存空间对待检测GPU组执行检查点操作，确定待检测GPU组对应的检查点数据，从而可以有效实现在无先验数据的情况下，基于待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定待检测GPU组出现故障的概率、以及故障类别，从而有效提高GPU集群的故障检测效率和故障检测精确度。
本公开实施例的GPU集群的故障检测方法应用于GPU集群。图3示出根据本公开实施例的一种GPU集群的示意图。如图3所示，GPU集群中包括：多个节点；每个节点上部署有多个pod，每个pod上部署有GPU；每个节点上还部署有GPU管理器，用于对该节点上部署的多个GPU进行统一管理；GPU集群还包括对应的预设内存空间。
在一示例中，在GPU集群开始运行后，每个节点上的GPU管理器会实时采集该节点上部署的每个GPU的GPU关联数据，以及将采集到的该节点部署的每个GPU的GPU关联数据发送至GPU集群对应的预留内存空间进行实时缓存。基于预设内存空间的实时数据缓存，可以实现GPU集群中的GPU关联数据的数字化孪生，便于统一管理。
在一示例中，每个GPU的GPU关联数据包括该GPU对应的相关软件数据以及相关硬件数据，具体数据内容可以根据实际情况灵活调整，本公开对此不做具体限定。
在执行本公开的GPU集群的故障检测方法之前，预先训练得到预定义故障描述模型。
在一种可能的实现方式中，基于零样本学习方法，对已知故障属性描述数据进行模型训练，得到预定义故障描述模型。
其中，已知故障属性描述数据可以根据相关的已知GPU故障、常见GPU故障等进行数据收集得到，模型训练过程可以参考相关技术中零样本学习方法的具体过程，本公开对此不做具体限定。
在一示例中，预定义故障描述模型中包括：多个预定义故障属性信息。例如，故障位置、故障后果、故障原因等，本公开对预定义故障描述模型中包括的多个预定义故障属性信息的具体内容不做限定。
在确定好预定义故障描述模型之后，可以基于该预定义故障描述模型，对GPU集群执行故障检测。
根据实际业务使用情况，确定包括GPU集群中部署的至少一个GPU的待检测GPU组，由于GPU集群对应的预设内存空间实时缓存GPU集群中的GPU关联数据，因此，在确定待检测GPU组后，可以基于预设内存空间对待检测GPU组执行检查点操作，确定待检测GPU组对应的检查点数据，即从预设内存空间中确定待检测GPU组对应的GPU关联数据。
如图3所示，GPU集群中包括：检查点模块。基于检查点模块对预定义内存空间内存储的待检测GPU组对应的GPU关联数据进行GPU快照，从而有效确定待检测GPU组对应的检查点数据。
如图3所示，GPU集群中包括：故障检测模块。故障检测模块基于待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定待检测GPU组出现故障的概率、以及故障类别。
在一种可能的实现方式中，基于待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定待检测GPU组出现故障的概率、以及故障类别，包括：基于待检测GPU组对应的检查点数据，确定待检测GPU组对应的属性信息；将待检测GPU组对应的属性信息，与预定义故障描述模型中包括的预定义故障属性信息进行匹配，确定待检测GPU组出现故障的概率、以及故障类别。
基于待检测GPU组对应的检查点数据进行特征提取，确定待检测GPU组对应的属性信息，进而，将待检测GPU组对应的属性信息，与预定义故障描述模型中包括的预定义故障属性信息进行匹配，确定待检测GPU组出现故障的概率、以及故障类别。
在一示例中，可以基于近邻匹配算法，将待检测GPU组对应的属性信息，与预定义故障描述模型中包括的预定义故障属性信息进行匹配。具体匹配算法除了近邻匹配算法之外，还可以采用其他匹配算法，本公开对此不做具体限定。
本公开实施例的GPU集群的故障检测可以包括：任务执行之前的故障检测(故障预测)、任务执行过程中的故障检测、故障恢复等过程，下面对各个过程进行详细描述。
在一种可能的实现方式中，确定待检测GPU组，包括：接收待执行任务，以及在GPU集群中为待执行任务分配GPU资源；将为待执行任务分配的GPU资源对应的GPU，确定为待执行任务对应的待检测GPU组。
GPU集群接收到用户提交的待执行任务之后，在GPU集群中为待执行任务分配GPU资源，以及将为待执行任务分配的GPU资源对应的GPU，确定为待执行任务对应的待检测GPU组。
如图3所示，GPU集群中包括：调度器。调度器根据待执行任务的任务需求，在GPU集群中为待执行任务分配GPU资源。例如，调度器为待执行任务分配的GPU资源为GPU集群中的pod0至pod7上部署的GPU0至GPU7，因此，将GPU0至GPU7确定为待执行任务对应的待检测GPU组。
进而，在待执行任务执行之前，通过对待执行任务对应的待检测GPU组进行故障检测(故障预测)，以确保后续待执行任务可以基于分配的GPU资源顺利执行。对待执行任务对应的待检测GPU组进行故障检测的具体过程可以参考上述相关描述，此处不做赘述。
在一种可能的实现方式中，该方法还包括：在待执行任务对应的待检测GPU组出现故障的概率不大于预设概率阈值的情况下，利用待检测GPU组对应的GPU资源执行待执行任务；在待执行任务对应的待检测GPU组出现故障的概率大于预设概率阈值，且待执行任务对应的资源分配次数未达到预设分配次数阈值的情况下，重新在GPU集群中为待执行任务分配GPU资源，以及将重新分配的GPU资源对应的GPU，确定为待执行任务对应的更新后的待检测GPU组。
在待执行任务对应的待检测GPU组出现故障的概率不大于预设概率阈值的情况下，可以确定待执行任务可以利用分配的GPU资源顺利执行，因此，利用待检测GPU组对应的GPU资源执行待执行任务。其中，预设概率阈值的具体取值可以根据实际情况灵活设置，本公开对此不做具体限定。
在待执行任务对应的待检测GPU组出现故障的概率大于预设概率阈值的情况下，可以确定待执行任务无法利用分配的GPU资源顺利执行，此时，先判断待执行任务对应的资源分配次数是否达到预设分配次数阈值，在执行任务对应的资源分配次数未达到预设分配次数阈值的情况下，可以重新在GPU集群中为待执行任务分配GPU资源，以及将重新分配的GPU资源对应的GPU，确定为待执行任务对应的更新后的待检测GPU组，进而再次对待检测GPU组执行故障检测，直至待执行任务对应的待检测GPU组出现故障的概率不大于预设概率阈值，或待执行任务对应的资源分配次数达到预设分配次数阈值。其中，预设分配次数阈值的具体取值可以根据实际情况灵活设置，本公开对此不做具体限定。
在一种可能的实现方式中，该方法还包括：在待执行任务对应的待检测GPU组出现故障的概率大于预设概率阈值，且待执行任务对应的资源分配次数达到预设分配次数阈值的情况下，生成第一提示信息，其中，第一提示信息用于提示取消待执行任务。
在待执行任务对应的待检测GPU组出现故障的概率大于预设概率阈值，且待执行任务对应的资源分配次数达到预设分配次数阈值的情况下，可以确定GPU集群无法有效执行待执行任务，此时，可以取消待执行任务，并生成第一提示信息。
在一种可能的实现方式中，确定待检测GPU组，包括：根据故障检测需求以及GPU集群中部署的各个GPU的运行负载，对GPU集群中部署的GPU进行分组，确定待检测GPU组。
在GPU集群中任务执行过程中，可以触发故障检测流程，以根据故障检测需求以及GPU集群中部署的各个GPU的运行负载，对GPU集群中部署的GPU进行分组，确定待检测GPU组。其中，故障检测流程的触发方式可以包括：用户申请、预设事件触发、周期性触发，本公开对触发方式的具体形式不做限定。
待检测GPU组可以对应GPU集群中正在执行的一个任务所分配的全部GPU资源、可以对应GPU集群中正在执行的一个任务所分配的部分GPU资源、还可以对应GPU集群中正在执行的多个任务所分配的GPU资源，具体分组情况可以根据实际业务使用情况灵活分配，本公开对此不做具体限定。
对待检测GPU组进行故障检测的具体过程可以参考上述相关描述，此处不做赘述。
在一种可能的实现方式中，该方法还包括：在确定待检测GPU组出现故障的概率大于预设概率阈值的情况下，根据待检测GPU组对应的故障类别，执行对应的预定义故障恢复操作。
在确定待检测GPU组出现故障的概率大于预设概率阈值的情况下，根据待检测GPU组对应的故障类别，执行对应的预定义故障恢复操作。
如图3所示，GPU集群中包括：策略模块。策略模块中根据实际业务需要，包括不同故障类别对应的预定义故障恢复操作。因此，在确定待检测GPU组出现故障的概率大于预设概率阈值的情况下，可以基于策略模块，执行待检测GPU组的故障类别所对应的预定义故障恢复操作。
在一示例中，预定义故障恢复操作包括：重新分配GPU资源，即在GPU集群中为待检测GPU组对应的任务，重新分配GPU资源。
在一种可能的实现方式中，该方法还包括：在GPU集群中为待检测GPU组对应的任务，重新分配GPU资源；根据故障检测需求以及GPU集群中部署的各个GPU更新后的运行负载，对GPU集群中部署的GPU进行重新分组，确定更新后的待检测GPU组。
在GPU集群中为待检测GPU组对应的任务重新分配GPU资源后，根据故障检测需求以及GPU集群中部署的各个GPU更新后的运行负载，对GPU集群中部署的GPU进行重新分组，确定更新后的待检测GPU组，此时，待检测GPU组的分组情况发生变化。进而，针对待检测GPU组，再次执行故障检测。
在本公开实施例中，实时采集GPU集群中的GPU关联数据，以及利用GPU集群对应的预设内存空间对GPU关联数据进行实时缓存，从而有效实现了GPU集群的实时监控，以及利用预设内存空间实现了GPU集群的数据统一管理；根据实际业务使用情况，确定包括GPU集群中部署的至少一个GPU的待检测GPU组，并基于预设内存空间对待检测GPU组执行检查点操作，确定待检测GPU组对应的检查点数据，从而可以有效实现在无先验数据的情况下，基于待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定待检测GPU组出现故障的概率、以及故障类别，从而有效提高GPU集群的故障检测效率和故障检测精确度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了一种GPU集群、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种GPU集群的故障检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
本公开实施例还提供了一种GPU集群，GPU集群包括：GPU管理模块、预设内存空间、调度器、检查点模块、故障检测模块；GPU管理模块，用于实时采集GPU集群中的GPU关联数据；预设内存空间，用于对GPU关联数据进行实时缓存；调度器，用于确定待检测GPU组，其中，待检测GPU组中包括GPU集群中部署的至少一个GPU；检查点模块，用于基于预设内存空间对待检测GPU组执行检查点操作，确定待检测GPU组对应的检查点数据，其中，待检测GPU组对应的检查点数据是待检测GPU组对应的GPU关联数据；故障检测模块，用于基于待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定待检测GPU组出现故障的概率、以及故障类别。
其中，GPU管理模块，可以是利用相关技术中的GPU检测工具，添加软件依赖层的监控项(例如，驱动Driver、运行时Runtime、设备插件Device Plugin等)，以有效用于实时采集GPU集群中的GPU关联数据，以及将该GPU关联数据发送至预设内存空间进行实时缓存。
预设内存空间对应的数据结构可以采用MAP，在大规模场景下还可以使用分布式缓存系统(例如，redis)，具体数据结构可以根据实际使用场景灵活设置，本公开对此不做具体限定。
检查点模块，具有实时检查点管理能力，确定待检测GPU组后，可以对预设内存空间进行GPU快照，得到检查点数据，并对这些检查点数据进行缓存和管理，以及提供API供其他组件使用。
GPU集群中还包括：策略模块。策略模块，根据实际业务需要，为不同故障类别设置对应的预定义故障恢复操作。
故障检测模块，用于利用预定义故障描述模型进行故障检测。
调度器，可以基于相关技术中的调度器框架开发调度策略，与策略模块结合，根据策略模块的故障恢复结果调整调度结果。
GPU集群中还包括：执行器。执行器可以基于已有的工作流框架进行开发，以执行具体操作。
GPU集群的具体形式可以参考上述图3所示实施例，GPU集群的故障检测的具体工作流程可以参考上述实施例的相关描述，此处不做赘述。
该方法与计算机系统的内部结构存在特定技术关联，且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等)，从而获得符合自然规律的计算机系统内部性能改进的技术效果。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备的框图。参照图4，电子设备1900可以被提供为一服务器或终端设备。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OS XTM)，多用户多进程的计算机操作系统(UnixTM)，自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种GPU集群的故障检测方法，其特征在于，包括：
实时采集GPU集群中的GPU关联数据，以及利用所述GPU集群对应的预设内存空间对所述GPU关联数据进行实时缓存；
确定待检测GPU组，其中，所述待检测GPU组中包括所述GPU集群中部署的至少一个GPU；
基于所述预设内存空间对所述待检测GPU组执行检查点操作，确定所述待检测GPU组对应的检查点数据，其中，所述待检测GPU组对应的检查点数据是所述待检测GPU组对应的GPU关联数据；
基于所述待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定所述待检测GPU组出现故障的概率、以及故障类别，其中，所述预定义故障描述模型是对已知故障属性描述数据进行模型训练得到的；
所述基于所述待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定所述待检测GPU组出现故障的概率、以及故障类别，包括：
基于所述待检测GPU组对应的检查点数据，确定所述待检测GPU组对应的属性信息；
将所述待检测GPU组对应的属性信息，与所述预定义故障描述模型中包括的预定义故障属性信息进行匹配，确定所述待检测GPU组出现故障的概率、以及故障类别。
2.根据权利要求1所述的方法，其特征在于，所述确定待检测GPU组，包括：
接收待执行任务，以及在所述GPU集群中为所述待执行任务分配GPU资源；
将为所述待执行任务分配的GPU资源对应的GPU，确定为所述待执行任务对应的待检测GPU组。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述待执行任务对应的待检测GPU组出现故障的概率不大于预设概率阈值的情况下，利用所述待检测GPU组对应的GPU资源执行所述待执行任务；
在所述待执行任务对应的待检测GPU组出现故障的概率大于所述预设概率阈值，且所述待执行任务对应的资源分配次数未达到预设分配次数阈值的情况下，重新在所述GPU集群中为所述待执行任务分配GPU资源，以及将重新分配的GPU资源对应的GPU，确定为所述待执行任务对应的更新后的待检测GPU组。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
在所述待执行任务对应的待检测GPU组出现故障的概率大于所述预设概率阈值，且所述待执行任务对应的资源分配次数达到所述预设分配次数阈值的情况下，生成第一提示信息，其中，所述第一提示信息用于提示取消所述待执行任务。
5.根据权利要求1所述的方法，其特征在于，所述确定待检测GPU组，包括：
根据故障检测需求以及所述GPU集群中部署的各个GPU的运行负载，对所述GPU集群中部署的GPU进行分组，确定所述待检测GPU组。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在确定所述待检测GPU组出现故障的概率大于预设概率阈值的情况下，根据所述待检测GPU组对应的故障类别，执行对应的预定义故障恢复操作。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
在所述GPU集群中为所述待检测GPU组对应的任务，重新分配GPU资源；
根据故障检测需求以及所述GPU集群中部署的各个GPU更新后的运行负载，对所述GPU集群中部署的GPU进行重新分组，确定更新后的所述待检测GPU组。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于零样本学习算法，对已知故障属性描述数据进行模型训练，得到所述预定义故障描述模型。
9.一种GPU集群，其特征在于，所述GPU集群包括：GPU管理器、预设内存空间、调度器、检查点模块、故障检测模块；
所述GPU管理模块，用于实时采集GPU集群中的GPU关联数据；
所述预设内存空间，用于对所述GPU关联数据进行实时缓存；
所述调度器，用于确定待检测GPU组，其中，所述待检测GPU组中包括所述GPU集群中部署的至少一个GPU；
所述检查点模块，用于基于所述预设内存空间对所述待检测GPU组执行检查点操作，确定所述待检测GPU组对应的检查点数据，其中，所述待检测GPU组对应的检查点数据是所述待检测GPU组对应的GPU关联数据；
所述故障检测模块，用于基于所述待检测GPU组对应的检查点数据，利用预定义故障描述模型，确定所述待检测GPU组出现故障的概率、以及故障类别，其中，所述预定义故障描述模型是对已知故障属性描述数据进行模型训练得到的；
所述故障检测模块，具体用于：
基于所述待检测GPU组对应的检查点数据，确定所述待检测GPU组对应的属性信息；
将所述待检测GPU组对应的属性信息，与所述预定义故障描述模型中包括的预定义故障属性信息进行匹配，确定所述待检测GPU组出现故障的概率、以及故障类别。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
CN202311126565.XA 2023-09-01 2023-09-01 一种gpu集群的故障检测方法及gpu集群、电子设备和存储介质 Active CN117135151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311126565.XA CN117135151B (zh) 2023-09-01 2023-09-01 一种gpu集群的故障检测方法及gpu集群、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311126565.XA CN117135151B (zh) 2023-09-01 2023-09-01 一种gpu集群的故障检测方法及gpu集群、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN117135151A CN117135151A (zh) 2023-11-28
CN117135151B true CN117135151B (zh) 2024-05-03

Family

ID=88856164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311126565.XA Active CN117135151B (zh) 2023-09-01 2023-09-01 一种gpu集群的故障检测方法及gpu集群、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117135151B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105988918A (zh) * 2015-02-26 2016-10-05 阿里巴巴集团控股有限公司 预测gpu故障的方法和装置
US10275851B1 (en) * 2017-04-25 2019-04-30 EMC IP Holding Company LLC Checkpointing for GPU-as-a-service in cloud computing environment
CN111736989A (zh) * 2020-06-05 2020-10-02 南京邮电大学 多模式分布式集群gpu指标检测方法及系统
CN114004313A (zh) * 2021-11-25 2022-02-01 脸萌有限公司 故障gpu的预测方法、装置、电子设备及存储介质
CN116028873A (zh) * 2023-01-16 2023-04-28 北京计算机技术及应用研究所 一种基于支持向量机的多类服务器故障预测方法
CN116594794A (zh) * 2022-10-12 2023-08-15 深信服科技股份有限公司 故障检测方法、容器配置装置、容器集群及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105988918A (zh) * 2015-02-26 2016-10-05 阿里巴巴集团控股有限公司 预测gpu故障的方法和装置
US10275851B1 (en) * 2017-04-25 2019-04-30 EMC IP Holding Company LLC Checkpointing for GPU-as-a-service in cloud computing environment
CN111736989A (zh) * 2020-06-05 2020-10-02 南京邮电大学 多模式分布式集群gpu指标检测方法及系统
CN114004313A (zh) * 2021-11-25 2022-02-01 脸萌有限公司 故障gpu的预测方法、装置、电子设备及存储介质
CN116594794A (zh) * 2022-10-12 2023-08-15 深信服科技股份有限公司 故障检测方法、容器配置装置、容器集群及存储介质
CN116028873A (zh) * 2023-01-16 2023-04-28 北京计算机技术及应用研究所 一种基于支持向量机的多类服务器故障预测方法

Also Published As

Publication number Publication date
CN117135151A (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
US20210067527A1 (en) Structural graph neural networks for suspicious event detection
US10523580B2 (en) Automatic cloud provisioning based on related internet news and social network trends
US9690553B1 (en) Identifying software dependency relationships
US11514347B2 (en) Identifying and remediating system anomalies through machine learning algorithms
US10834183B2 (en) Managing idle and active servers in cloud data centers
US11126494B2 (en) Automated, adaptive, and auto-remediating system for production environment
AU2021273796B2 (en) Dynamic automation of selection of pipeline artifacts
US10956214B2 (en) Time frame bounded execution of computational algorithms
US9547578B2 (en) Reducing resource overhead in verbose trace using recursive object pruning prior to string serialization
US9400731B1 (en) Forecasting server behavior
US20170255505A1 (en) Application abnormality detection
CN115335821B (zh) 卸载统计收集
US10372572B1 (en) Prediction model testing framework
CN113867600A (zh) 处理流式数据的开发方法、装置和计算机设备
US20200250027A1 (en) Time series forecasting classification
US20160379134A1 (en) Cluster based desktop management services
CN117135151B (zh) 一种gpu集群的故障检测方法及gpu集群、电子设备和存储介质
CN108427599A (zh) 异步任务统一处理方法、装置及存储介质
US20230236922A1 (en) Failure Prediction Using Informational Logs and Golden Signals
US20230188433A1 (en) Selecting Low Priority Pods for Guaranteed Runs
US9674060B2 (en) Dynamic and selective management of integration points using performance metrics
US20220167558A1 (en) Locating picking points of anomalies
US11586964B2 (en) Device component management using deep learning techniques
CN112527486A (zh) 调度优化方法及装置
US9672322B2 (en) Virtual positive slack in physical synthesis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant