Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
SageMaker HyperPod realiza una serie de comprobaciones de estado exhaustivas en las instancias del clúster durante la creación y actualización de los clústeres de HyperPod. Las comprobaciones de estado exhaustiva garantizan la fiabilidad y la estabilidad de los clústeres de SageMaker HyperPod mediante pruebas exhaustivas de los componentes de hardware e infraestructura subyacentes antes de permitir que los clústeres se utilicen para entrenar modelos de machine learning. Este método proactivo ayuda a identificar y mitigar los posibles problemas en una fase temprana del ciclo de vida del clúster.
Lista de comprobaciones de estado exhaustivas realizadas por SageMaker HyperPod
SageMaker HyperPod ejecuta las siguientes comprobaciones de estado exhaustivas.
Comprobaciones de estado exhaustivas de instancias
| Categoría | Nombre de la utilidad | Compatibilidad de los tipos de instancias | Descripción |
|---|---|---|---|
| Acelerador | Número de GPU/NVLink | GPU | Verifica el número de GPU/NVLink. |
| Acelerador | Diagnóstico de DCGM |
GPU | Evalúa el estado y la funcionalidad de las GPU de NVIDIA mediante la ejecución de diagnósticos DCGM (administrador de GPU para centros de datos de NVIDIA) del nivel 4, que incluyen pruebas de memoria adicionales. |
| Acelerador | Neuron sysfs | Trainium | En las instancias impulsadas por Trainium, el estado de los dispositivos de Neuron se determina mediante la lectura de los contadores de Neuron sysfs |
| Acelerador | Comprobación del hardware de Neuron | Trainium | Ejecuta una carga de trabajo de entrenamiento para producir números y, a continuación, verifica el objetivo de probar el hardware. |
| Acelerador | Prueba local de NCCOM | Trainium | Evalúa el rendimiento de las operaciones de comunicación colectiva en nodos individuales de Trainium. |
| Network | EFA | GPU y Trainium | Realiza una evaluación comparativa de la latencia y el ancho de banda en el dispositivo EFA asociado. |
Comprobaciones de estado exhaustivas de clústeres
| Categoría | Nombre de la utilidad | Compatibilidad de los tipos de instancias | Descripción |
|---|---|---|---|
| Acelerador | Prueba de NCCL | GPU | Verifica el rendimiento de las operaciones de comunicación colectiva en varias GPU de NVIDIA. |
| Acelerador | Prueba de clúster de NCCOM | Trainium | Verifica el rendimiento de las operaciones de comunicación colectiva en varios nodos de Trainium. |
Registros de las comprobaciones de estado exhaustivas
A continuación se muestran ejemplos de registros de las comprobaciones de estado exhaustivas de SageMaker HyperPod.
Registros de clústeres
Los registros de comprobaciones de estado exhaustivas de clústeres se almacenan en el grupo de registros de CloudWatch en /aws/sagemaker/Clusters/<cluster_name>/<cluster_id>.
Los flujos de registros se registran en DeepHealthCheckResults/<log_stream_id>.
Tal y como se muestra en el siguiente ejemplo, los registros de resultados de las comprobaciones de estado exhaustivas muestran el ID de la instancia que no aprobó las comprobaciones y el motivo del error.
{
"level": "error",
"ts": "2024-06-18T21:15:22Z",
"msg": "Encountered FaultyInstance. Replace the Instance. Region: us-west-2, InstanceType: p4d.24xlarge. ERROR:Bandwidth has less than threshold: Expected minimum threshold :80,NCCL Test output Bw: 30"
}Registros de instancias
Los registros de las comprobaciones de estado exhaustivas de instancias se almacenan en /var/log/aws/clusterscat/sagemaker-deep-health-check.log en cada nodo. Para acceder al nodo mediante SSH y abrir el archivo de registro, ejecute el siguiente comando.
cat /var/log/aws/clusterscat/sagemaker-deep-health-check.logA continuación se muestra un ejemplo del resultado de las pruebas de esfuerzo del hardware, las pruebas de esfuerzo de NVIDIA DCGM
# Hardware Stress Test output
2024-08-20T21:53:58Z info Executing Hardware stress check with command: stress-ng, and args: [--cpu 32 --vm 2 --hdd 1 --fork 8 --switch 4 --timeout 60 --metrics]
2024-08-20T21:54:58Z info stress-ng success
2024-08-20T21:54:58Z info GpuPci Count check success
# DCGM Stress Test
2024-08-20T22:25:02Z info DCGM diagnostic health summary: dcgmCheckLevel: 0 dcgmVersion: 3.3.7 gpuDriverVersion: 535.183.01, gpuDeviceIds: [2237] replacementRequired: false rebootRequired:false
# EFA Loopback Test
2024-08-20T22:26:28Z info EFA Loopback check passed for device: rdmap0s29 . Output summary is MaxBw: 58.590000, AvgBw: 32.420000, MaxTypicalLat: 30.870000, MinTypicalLat: 20.080000, AvgLat: 21.630000A continuación se muestra un ejemplo del resultado de la prueba de conectividad de NCCL.
# size count type redop root time algbw busbw #wrong time algbw busbw #wrong
# (B) (elements) (us) (GB/s) (GB/s) (us) (GB/s) (GB/s)
8 2 float sum -1 353.9 0.00 0.00 0 304.2 0.00 0.00 0
16 4 float sum -1 352.8 0.00 0.00 0 422.9 0.00 0.00 0
32 8 float sum -1 520.0 0.00 0.00 0 480.3 0.00 0.00 0
64 16 float sum -1 563.0 0.00 0.00 0 416.1 0.00 0.00 0
128 32 float sum -1 245.1 0.00 0.00 0 308.4 0.00 0.00 0
256 64 float sum -1 310.8 0.00 0.00 0 304.9 0.00 0.00 0
512 128 float sum -1 304.9 0.00 0.00 0 300.8 0.00 0.00 0
1024 256 float sum -1 509.3 0.00 0.00 0 495.4 0.00 0.00 0
2048 512 float sum -1 530.3 0.00 0.00 0 420.0 0.00 0.00 0
4096 1024 float sum -1 391.2 0.01 0.01 0 384.5 0.01 0.01 0
8192 2048 float sum -1 328.5 0.02 0.02 0 253.2 0.03 0.03 0
16384 4096 float sum -1 497.6 0.03 0.03 0 490.9 0.03 0.03 0
32768 8192 float sum -1 496.7 0.07 0.07 0 425.0 0.08 0.08 0
65536 16384 float sum -1 448.0 0.15 0.15 0 501.0 0.13 0.13 0
131072 32768 float sum -1 577.4 0.23 0.23 0 593.4 0.22 0.22 0
262144 65536 float sum -1 757.8 0.35 0.35 0 721.6 0.36 0.36 0
524288 131072 float sum -1 1057.1 0.50 0.50 0 1019.1 0.51 0.51 0
1048576 262144 float sum -1 1460.5 0.72 0.72 0 1435.6 0.73 0.73 0
2097152 524288 float sum -1 2450.6 0.86 0.86 0 2583.1 0.81 0.81 0
4194304 1048576 float sum -1 4344.5 0.97 0.97 0 4419.3 0.95 0.95 0
8388608 2097152 float sum -1 8176.5 1.03 1.03 0 8197.8 1.02 1.02 0
16777216 4194304 float sum -1 15312 1.10 1.10 0 15426 1.09 1.09 0
33554432 8388608 float sum -1 30149 1.11 1.11 0 29941 1.12 1.12 0
67108864 16777216 float sum -1 57819 1.16 1.16 0 58635 1.14 1.14 0
134217728 33554432 float sum -1 115699 1.16 1.16 0 115331 1.16 1.16 0
268435456 67108864 float sum -1 227507 1.18 1.18 0 228047 1.18 1.18 0
536870912 134217728 float sum -1 453751 1.18 1.18 0 456595 1.18 1.18 0
1073741824 268435456 float sum -1 911719 1.18 1.18 0 911808 1.18 1.18 0
2147483648 536870912 float sum -1 1804971 1.19 1.19 0 1806895 1.19 1.19 0
2024-08-20T16:22:43.831-07:00
# Out of bounds values : 0 OK
2024-08-20T16:22:43.831-07:00
# Avg bus bandwidth : 0.488398
2024-08-20T23:22:43Z info Nccl test successful. Summary: NcclMaxAlgoBw: 1.190000, NcclAvgAlgoBw: 0.488398, NcclThresholdAlgoBw: 1.180000, NcclOutOfBoundError: OK, NcclOperations: all_reduce_perf, NcclTotalDevices: 2, NcclNodes: 2, NcclClusterMessage: