容器引擎CCE提供通信库检查功能，检查GPU节点的网络状态并提供可视化的诊断结果。基于NCCL通信库和多种通信模型进行测试。本文为您介绍通信库检查功能。

前置条件

• 已创建CCE集群。具体操作，请参见创建集群。
• 包含加速芯片（如GPU）的节点已处于可用状态。

注意事项

• 检查过程可能需要较长时间，请耐心等待。
• 检查期间，不建议进行其他对集群的操作，以免影响结果。
• 执行通信库检查系统将占用一定的计算资源用于检查，当检查完成之后会进行资源释放，请确保节点具有充足的资源，避免由于资源不足导致检查失败。
• 单次执行通信库检查需要确保节点的加速芯片类型相同。
• 系统默认采用经过验证的最佳实践参数执行通信库检查，如需特定配置，您可通过自定义参数进行灵活设置，支持配置的参数请参考下方的自定义参数配置说明。
• 诊断报告中AI智能分析由人工智能模型生成，因科技限制和生成式人工智能的特殊性，我们无法完全保证本服务模型的安全、可靠、可用和持续稳定，及生成内容的完整性和准确性。生成内容不代表百度云立场和观点。我们将不断提升服务质量，但不承诺服务的可用性和可靠性，并不对您使用本服务的结果负责。
• 超过50个执行检查中的任务时不支持再次点击立即检查。

操作步骤

1.登录百度智能云容器引擎 CCE 控制台，在左侧导航栏，点击 "集群管理->集群列表"，进入集群列表页，点击集群名称，进入集群管理页面。

2.在左侧导航栏巡检与诊断，选择检查工具。

3.在检查工具选择通信库检查，点击“立即检查”

4.在弹出的对话框中，配置测试信息。

配置项	配置说明
通讯库类别	目前只支持NCCL
通讯模型	支持选择不同的通信模型，通信模型详细说明。 ALLReduce：将多个进程的数据聚合在一起，通过运算将它们缩减为单个值，并把结果分发给所有进程。 Reduce：将多个进程的数据聚合到一个目标进程，通过运算（如求和、求最大值等）将它们缩减为单个值，但结果仅分发给指定进程（与AllReduce不同）。 ALLToALL：将每个进程的数据分发给其他进程，每个进程都将得到来自所有其他进程的数据。 Broadcast：将一个进程的数据分发给所有其他进程。 ALLGather：将所有进程的数据收集到一个结构中，以便每个进程访问数据。 Gather：将所有进程的数据收集到一个目标进程中，形成完整数据集，但只有目标进程能访问全部数据（与AllGather不同）。 Scatter：一个主进程将数据的不同部分分发给各个进程，每个进程仅接收原始数据的一个子集。 Reduce-Scatter：Reduce阶段：将多个进程的数据按块分组聚合（如每组求和）；Scatter阶段：将聚合结果按块分发给所有进程，每个进程仅获部分结果。
GPU节点加速芯片类型	选择GPU节点加速芯片类型。 每次测试需要选择相同的加速芯片的节点进行测试。 仅支持选择当前集群中支持的GPU节点加速芯片类型。
选择节点	选择需要进行通信库测试的节点。 注意：单次执行检查最多选择500个节点。
自定义测试参数	支持自定义测试参数。不配置的话系统默认采用经过验证的最佳实践参数执行测试。 单次最多支持添加100个测试参数。 自定义参数的键、值字符最长为128字符。
日志持久化	支持是否选择开启日志持久化。开启日志持久化，日志服务（BLS）将会采集任务执行日志 ，并传输到在您账号下自动创建日志集中，日志服务会按照您的实际使用情况计费，计费标准请参考计费概述。

5.点击“确定”以启动检查流程。
6.检查完成后，系统将生成检查报告，用户可查看检查结果和建议。

查看报告

诊断列表展示了通信库检查的报告信息包括报告ID、检查结果、加速芯片、节点数量等，单击检查报告ID即可查看报告。

注意：

• 检查中的任务不支持查看报告详情。

自定义参数配置说明

Nvidia官网的 NCCL 提供了一系列丰富的环境变量，可用于针对特定场景进行调优。环境变量分为两类：

• System configuration：为了让 NCCL 遵循系统特定的配置，可以保留在脚本和系统配置中，详细的参数说明。
• Debugging：参数不应在生产环境中使用或保留在脚本中，只能作为临时解决方案使用，并应在问题解决后立即移除。保持这些参数的设置可能导致次优的性能表现、崩溃或挂起，详细的参数说明。

注意：

• 单次最多支持添加100个测试参数。
• 自定义参数的键、值字符最长为128字符。不支持空字符、非法字符的输入。
• 系统将根据您的GPU型号自动配置经过验证的最佳实践参数。为确保最佳性能和稳定性，建议使用系统默认配置的参数。如需自定义参数，系统将优先使用您的配置参数进行测试。