碎片治理

概述

为优化资源利用率并降低计算成本，您可以开启百舸碎片治理功能，有效解决分布式训练、小规模推理等场景下的非整机任务导致的资源碎片问题，实现资源高效回收与复用。

前提条件

在 CCE 组件管理页面，选择云原生 AI 栏目，CCE Al Job Scheduler、CCE Deep Learning Frameworks Operator 组件版本按照下图升级到最新版本，以使用碎片治理功能。

功能说明

碎片诊断

1. 诊断工作负载：分布式训练任务和自定义服务部署。
2. 诊断输入：物理队列和节点，支持对指定物理队列或节点进行碎片诊断（仅支持治理含加速芯片的队列和节点），定位碎片资源分布情况。

3. 不可治理的原因：

   • 关联分析任务已不存在
   • 任务关闭重调度
   • 预调度失败
   • 达到任务最低保障副本
   • 单负载的工作负载
   • 无工作负载管理的Pod
   • 关联Pod已不存在
   • 错误的整理类型
   • 推理服务摘流失败
   • 推理服务终止失败
   • 该Pod已在重调度中，重复的重调度
   • Pod迁移失败
   • 该工作负载已达到最大pod迁移数

碎片治理

诊断完成后，可以基于诊断结果进行碎片治理：

操作步骤

1. 登录百舸异构计算平台AIHC控制台。
2. 在左侧菜单栏选择通用资源池，找到您想要查看的资源池名称，单击ID。
3. 单击全局配置页面，打开碎片诊断与治理功能。

4. 点击立即治理，开始对指定物理队列或节点进行碎片诊断并治理。

5. 针对已完成的诊断，点击“治理”，在弹窗中选择需要治理的工作负载，开启碎片治理。

6. 治理完成后，点击“详情”，查看碎片治理结果详情信息。