MindCluster 集群调度用户指南

• 简介
  • 概述
  • 组件介绍
  • 特性介绍
  • 支持的产品形态和OS清单
• 快速入门
• 安装部署
  • 安装前必读
  • 环境依赖
  • 准备安装环境
  • 安装部署
    • 手动安装
      • 获取软件包
      • 安装前准备
      • Ascend Docker Runtime
      • NPU Exporter
      • Ascend Device Plugin
      • Volcano
      • ClusterD
      • Infer Operator
      • Ascend Operator
      • NodeD
      • Resilience Controller
      • Container Manager
    • 使用工具安装
  • 组件状态确认
  • 升级
  • 卸载
• 特性指南
  • 容器化支持特性指南
    • 使用前必读
    • （可选）配置自定义挂载内容
    • 在Docker客户端使用
    • K8s集成Docker使用
    • 在Containerd客户端使用
    • 在K8s集成Containerd使用
  • 资源监测特性指南
    • 使用前必读
    • 实现原理
    • 通过Prometheus使用
    • 通过Telegraf使用
  • 虚拟化实例特性指南
    • 基于HDK的虚拟化实例
      • 特性说明
      • 应用场景及方案
      • 虚拟化模板
      • 创建vNPU
      • 销毁vNPU
      • 挂载vNPU
    • 基于vCANN-RT的虚拟化实例
      • 特性说明
      • 软切分虚拟化
  • 调度特性指南
    • 特性说明
    • 亲和性调度
      • 方案介绍
      • 亲和性调度对接说明
      • 亲和性调度说明
      • 基于昇腾AI处理器的亲和性
      • 基于节点的亲和性
      • 昇腾AI处理器的调度算法说明
    • 昇腾AI处理器的调度流程
    • 整卡调度或静态vNPU调度（训练）
    • 整卡调度或静态vNPU调度（推理）
    • 多级调度
    • 动态vNPU调度（推理）
    • 软切分调度（推理）
    • 弹性训练
    • 推理卡故障重调度
    • 推理卡故障恢复
  • 断点续训特性指南
    • 特性说明
    • 方案和原理
    • 准备K8s和共享存储
    • （可选）配置故障检测级别
    • 配置故障处理
    • 配置训练恢复
    • 配置任务YAML
    • 通过命令行使用
  • 一体机特性指南
    • NPU硬件故障检测与恢复
    • 配置推理业务故障恢复
  • MindIE Motor推理任务最佳实践
    • 使用前必读
    • 部署MindIE Motor
    • 配置推理任务重调度
    • 配置推理任务场景下的离线复位
    • 配置推理任务的弹性扩缩容
    • 配置推理任务交换机亲和性
  • SGLang推理任务最佳实践
    • 使用前必读
    • 部署基于OME的SGLang推理任务
    • 配置推理任务实例重调度
  • vLLM推理任务最佳实践
    • 使用前必读
    • 部署vLLM推理任务
    • 配置推理任务实例重调度
    • 配置故障隔离
  • Infer Operator推理任务最佳实践
    • 使用前必读
    • 基于vLLM Proxy部署Infer Operator推理任务
    • 基于MindIE PyMotor部署Infer Operator推理任务
• API参考
  • NPU Exporter
    • NPU Exporter主页
    • Prometheus Metrics接口
    • Telegraf数据信息说明
    • 自定义指标文件
  • Volcano
  • Ascend Device Plugin
  • NodeD
  • ClusterD
    • 集群资源
    • 任务信息
    • 进程级恢复接口
    • 公共故障接口
    • 性能劣化故障接口
    • 业务配置接口
    • 故障服务接口
    • 任务信息接口
    • 借轨回切接口
    • 在线压测接口
  • Ascend Operator
  • Elastic-Agent（断点续训相关接口）
  • TaskD
    • taskd.__version__
    • TaskD Worker接口
    • TaskD Agent接口
    • TaskD Proxy接口
    • TaskD Manager接口
    • 断点续训相关接口
    • TaskD内部接口
    • 返回码说明
  • Ascend Job
  • K8s原生对象说明
  • 环境变量说明
  • hccl.json文件说明
• 参考
  • 故障恢复加速
    • 产品描述
    • 安装部署
    • 使用指导
    • 安全管理与加固
    • API接口参考
    • 附录
  • Checkpoint保存与加载优化
    • 产品描述
    • 安装部署
    • 使用指导
    • 安全管理与加固
    • API接口参考
    • 告警参考
    • 附录
  • 常用操作
  • FAQ
  • 安全加固
  • 附录