惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

T
Tailwind CSS Blog
大猫的无限游戏
大猫的无限游戏
L
LINUX DO - 热门话题
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
雷峰网
雷峰网
aimingoo的专栏
aimingoo的专栏
博客园_首页
MongoDB | Blog
MongoDB | Blog
V
V2EX
GbyAI
GbyAI
量子位
Microsoft Azure Blog
Microsoft Azure Blog
有赞技术团队
有赞技术团队
G
Google Developers Blog
云风的 BLOG
云风的 BLOG
B
Blog
Microsoft Security Blog
Microsoft Security Blog
S
SegmentFault 最新的问题
O
OpenAI News
N
News and Events Feed by Topic
博客园 - Franky
爱范儿
爱范儿
Forbes - Security
Forbes - Security
freeCodeCamp Programming Tutorials: Python, JavaScript, Git & More
V2EX - 技术
V2EX - 技术
Application and Cybersecurity Blog
Application and Cybersecurity Blog
N
News and Events Feed by Topic
N
News | PayPal Newsroom
Schneier on Security
Schneier on Security
Cloudbric
Cloudbric
Security Archives - TechRepublic
Security Archives - TechRepublic
cs.AI updates on arXiv.org
cs.AI updates on arXiv.org
Recent Commits to openclaw:main
Recent Commits to openclaw:main
人人都是产品经理
人人都是产品经理
P
Privacy International News Feed
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
B
Blog RSS Feed
阮一峰的网络日志
阮一峰的网络日志
D
DataBreaches.Net
Last Week in AI
Last Week in AI
罗磊的独立博客
Spread Privacy
Spread Privacy
Recent Announcements
Recent Announcements
The Cloudflare Blog
Google DeepMind News
Google DeepMind News
AWS News Blog
AWS News Blog
The Register - Security
The Register - Security
Y
Y Combinator Blog
J
Java Code Geeks
I
Intezer

陈少文的网站

巨变与机遇的未来十年 Kubernetes 平台管理软件压力测试方案 使用镜像部署 Hexo 静态页面 终于等到你 - GitHub 镜像仓库服务(ghcr.io) 一起来学 Go --(6)Interface 一起来学 Go --(5)Goroutine 和 Channel 什么是函数式编程 如何在 Kubernetes 集群集成 Kata 柯里化与偏函数 使用 PyGithub 自动创建 Label 软件产品是团队能力的输出 Helm 2 、Helm 3 比较 IoT 变现 Kubernetes 中的 DNS 服务 国内的 Helm 镜像源 Harbor 使用自签证书支持 Https 访问 DevOps 工具链之 Prow 如何使用 kfctl 安装 Kubeflow VS Code 无法下载 Go 插件的工具包 工程师更应具有服务精神 你不知道的 Docker 使用技巧 使用 Docker 运行 Tensorflow 论中国 什么是左移 如何清空 Git 仓库全部历史记录 一禅小和尚 有风吹过厨房 时间的玫瑰 如何在 CentOS 安装 GPU 驱动 开发 Tips(19) 使用 Velero 备份 Kubernetes 集群 Kubernetes Cheat Sheet 开发 Tips(18) 如何构建一个 Java 工程 开发 Tips(17) KubeSpray 安装 Kubernetes 报错 ip in ansible_all_ipv4_addresses 基于 Kubernetes 和 Jenkins 搭建自动化测试系统 在 Kubernetes 上动态创建 Jenkins Slave 使用 Jenkins 进行服务拨测 开发 Tips(16) Kubernetes 签发 Ingress 证书及日常故障运维 Kubernetes 中 Deployment 的基本操作 Kubernetes 中的证书 如何使用 KubeBuilder 开发一个 Operator Kubernetes 1.6.0 安装问题汇总 镜像管理工具 -- Harbor 开发 Tips(15) Docker 如何拉取镜像 开发 Tips(14) 使用 Helm 安装 harbor 开发 Tips(13) 使用 S2I 构建云原生应用 在 Kubernetes 中使用 emptyDir、hostPath、localVolume 开发 Tips(12) 开发 Tips(11) 代码质量分析工具 SonarQube 使用 Kubeadm 安装 Kubernetes 集群 一起来学 Go --(4)常用函数 Kubernetes 中的 Ceph Kubernetes 之 Volumes Kubernetes 之 Labels、Selectors 开发 Tips(10) 开源正在重构商业模式 Kubernetes 之网络 Kubernetes 之 API 使用 Helm 和 Operator 快速部署 Prometheus Kubernetes 复杂有状态应用管理框架 -- Operator Kubernetes 的包管理器 -- Helm 一起来学 Go --(3)Go Modules 如何一步一步地优化博客方案 kubectl 实用指南 Kubernetes 中的基本概念 搭建远程 Kubernetes 开发环境 大公司和小公司的 ToB 思路 开发 Tips(9) Go 入门指南 一起来学 Go --(2)数据与逻辑结构 如何预防 Web 富文本中的 XSS 攻击 django-xss-cleaner 云工作时代 一起来学 Go --(1)背景与特点 SaaS 开发团队的不同阶段 你不知道的 Git 使用技巧 输出既服务 微服务设计 继续奔跑 开发 Tips(8) 从账户安全到二次验证 Django 性能之数据库查询优化 Django 性能之分库分表 敏捷开发之研发流程 打造一致性的团队 开发 Tips(7) Pytest 进阶学习之 Mock PaaS 部署之 buildpack Go 开发配置 领域输出才是 PaaS 的核心竞争力 Pytest 入门学习 开发 Tips(6) 如何使用 Jenkins、Docker、GitLab 搭建 Django 自动化部署流程
使用 Volcano 运行 hccl-test
微信公众号 · 2024-08-11 · via 陈少文的网站

1. 制作 hccl-test 镜像

  • 下载依赖包

Python-3.8.18.tgz
Ascend-cann-toolkit_8.0.RC2_linux-x86_64.run
Ascend-cann-kernels-910b_8.0.RC2_linux.run
mpich-3.2.1.tar.gz

如果不方便下载,也可以直接从我打包的镜像中拷贝出来。

  • 编写 Dockerfile
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
FROM ubuntu:22.04

WORKDIR /home

RUN sed -i -e 's/^APT/# APT/' -e 's/^DPkg/# DPkg/' /etc/apt/apt.conf.d/docker-clean
RUN apt-get update && apt-get install -y apt-transport-https tzdata openssh-server

# Install base library
RUN apt-get install -y gcc g++ make cmake zlib1g zlib1g-dev openssl libsqlite3-dev libssl-dev libffi-dev libbz2-dev libxslt1-dev unzip pciutils net-tools libblas-dev gfortran libblas3 liblzma-dev git wget zip vim gnutls-bin

# Install Python3.8.18
COPY Python-3.8.18.tgz .
RUN tar -zxvf Python-3.8.18.tgz \
    && cd Python-3.8.18 \
    && chmod +x ./configure
RUN cd Python-3.8.18 && ./configure --prefix=/usr/local/python3.8.18 --enable-loadable-sqlite-extensions --enable-shared  --enable-optimizations
RUN cd Python-3.8.18 && make -j16 && make install
RUN cd /home \
    && ln -s /usr/local/python3.8.18/bin/pip3 /usr/bin/pip \
    && ln -s /usr/local/python3.8.18/bin/python3 /usr/bin/python
ENV LD_LIBRARY_PATH=/usr/local/python3.8.18/lib:$LD_LIBRARY_PATH
ENV PATH=/usr/local/python3.8.18/bin:$PATH

# Install ascend-toolkit & kernels
COPY Ascend-cann-toolkit_8.*.run .
COPY Ascend-cann-kernels-910b_8.*.run .
RUN ./Ascend-cann-toolkit_8.*.run --install --quiet
RUN ./Ascend-cann-kernels-910b_8.*.run --install --quiet
RUN echo "source /usr/local/Ascend/ascend-toolkit/set_env.sh" >> ~/.bashrc

# Set Env
ENV TOOLKIT_PATH=/usr/local/Ascend/ascend-toolkit/latest
ENV LD_LIBRARY_PATH=/usr/local/Ascend/driver/lib64/driver/:$LD_LIBRARY_PATH

ENV GLOG_v=2 \
    LD_LIBRARY_PATH=$TOOLKIT_PATH/lib64:$LD_LIBRARY_PATH \
    TBE_IMPL_PATH=$TOOLKIT_PATH/opp/op_impl/built-in/ai_core/tbe \
    PATH=$TOOLKIT_PATH/ccec_compiler/bin:$PATH \
    ASCEND_OPP_PATH=$TOOLKIT_PATH/opp \
    ASCEND_AICPU_PATH=$TOOLKIT_PATH

ENV PYTHONPATH=$TBE_IMPL_PATH:$PYTHONPATH
ENV LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/mpich-3.2.1/lib:$TOOLKIT_PATH/lib64:$TOOLKIT_PATH/x86_64-linux/devlib

# Install hccl_test
COPY mpich-3.2.1.tar.gz .
RUN umask 0022 && \
    tar -zxvf mpich-3.2.1.tar.gz && \
    cd mpich-3.2.1 && \
    ./configure --disable-fortran --prefix=/usr/local/mpich-3.2.1 && \
    make && \
    make install && \
    cd $TOOLKIT_PATH/tools/hccl_test && \
    make MPI_HOME=/usr/local/mpich-3.2.1 ASCEND_DIR=$TOOLKIT_PATH/x86_64-linux

ENV PATH=$PATH:/usr/local/mpich-3.2.1/bin:$TOOLKIT_PATH/tools/hccl_test/bin
  • 编译 hccl-test 镜像
1
docker build -t shaowenchen/hccl-test:8.0.RC2-ubuntu22.04 -f Dockerfile .
  • 推送 hccl-test 镜像
1
docker push shaowenchen/hccl-test:8.0.RC2-ubuntu22.04

2. 运行 Volcano Job

  • 给测试节点打上标签
1
2
3
kubectl label node ascend-910b-01 hccl-test=true
kubectl label node ascend-910b-02 hccl-test=true
kubectl label node ascend-910b-03 hccl-test=true
  • 创建 Volcano Job
1
2
export HCCL_TEST_IMAGE=shaowenchen/hccl-test:8.0.RC2-ubuntu22.04
export HCCL_TEST_NODES=3
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
cat <<EOF | kubectl apply -f -
apiVersion: batch.volcano.sh/v1alpha1
kind: Job
metadata:
  name: hccl-test
spec:
  minAvailable: $HCCL_TEST_NODES
  schedulerName: volcano
  queue: default
  priorityClassName: extreme-high-priority-preempting
  policies:
    - event: PodEvicted
      action: RestartJob
  plugins:
    env: []
    svc: []
    ssh: []
  tasks:
    - replicas: $HCCL_TEST_NODES
      name: hccl-test
      policies:
      - event: TaskCompleted
        action: CompleteJob
      template:
        metadata:
          labels:
            app: hccl-test
        spec:
          containers:
            - command:
              - /bin/sh
              - -c
              - |
                mkdir -p /var/run/sshd; /usr/sbin/sshd;
                sleep infinity                
              image: $HCCL_TEST_IMAGE
              imagePullPolicy: Always
              name: hccl-test
              resources:
                requests:
                  cpu: 1
                  huawei.com/Ascend910: 16
                limits:
                  huawei.com/Ascend910: 16
          nodeSelector:
            hccl-test: "true"
          affinity:
            podAntiAffinity:
              requiredDuringSchedulingIgnoredDuringExecution:
                - labelSelector:
                    matchExpressions:
                     - key: app
                       operator: In
                       values:
                       - hccl-test
                  topologyKey: "kubernetes.io/hostname"
EOF

3. 运行 hccl-test 测试用例

  • 查看 Pod 状态
1
2
3
4
5
6
kubectl get pod -l app=hccl-test -o wide

NAME                    READY   STATUS    RESTARTS   AGE     IP              NODE             NOMINATED NODE   READINESS GATES
hccl-test-hccl-test-0   1/1     Running   0          7m19s   10.244.53.163   ascend-910b-02   <none>           <none>
hccl-test-hccl-test-1   1/1     Running   0          7m19s   10.244.54.38    ascend-910b-01   <none>           <none>
hccl-test-hccl-test-2   1/1     Running   0          7m19s   10.244.52.160   ascend-910b-03   <none>           <none>
  • 进入 Pod
1
kubectl exec -it hccl-test-hccl-test-0 bash
  • 单机测试
1
2
3
4
5
export HCCL_RDMA_TC=100
export HCCL_RDMA_SL=3
export HCCL_BUFFSIZE=2048
export HCCL_PROC=16
mpirun -n ${HCCL_PROC} /usr/local/Ascend/ascend-toolkit/latest/tools/hccl_test/bin/all_reduce_test -b 8K -e 64M -f 2 -d fp32 -o sum -p ${HCCL_PROC}
  • 多节点
1
2
3
4
5
export HCCL_RDMA_TC=100
export HCCL_RDMA_SL=3
export HCCL_BUFFSIZE=2048

mpirun -n 32 -hosts hccl-test-hccl-test-0.hccl-test:16,hccl-test-hccl-test-0.hccl-test:16,hccl-test-hccl-test-0.hccl-test:16 all_reduce_test -b 8K -e 4G -f 2 -d fp32 -o sum -p 16 -c 0

需要注意这里的 -p 应该与每个节点上的卡数相同。

  • 分批逐步测试连通性
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
HOSTS="172.19.110.211:8,172.19.52.211:8"

EXEC="all_reduce_test"
ARGS="-b 8K -e 4G -f 2 -d fp32 -o sum -p 8 -c 0"

START_N=16
END_N=400
STEP=8

for (( N=$START_N; N<=$END_N; N+=STEP )); do
    echo "Running with -n $N (using $((N/8)) pods)"
    mpirun -n $N -hosts $HOSTS $EXEC $ARGS
    sleep 10
done

采用二分发设置 START_NEND_N 可以快速找到机器中的异常点。

4. 单独运行 hccl-test 容器

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
nerdctl run --rm -it --ipc=host \
                     --device=/dev/davinci0 \
                     --device=/dev/davinci1 \
                     --device=/dev/davinci2 \
                     --device=/dev/davinci3 \
                     --device=/dev/davinci4 \
                     --device=/dev/davinci5 \
                     --device=/dev/davinci6 \
                     --device=/dev/davinci7 \
                     --device=/dev/davinci_manager \
                     --device=/dev/devmm_svm \
                     --device=/dev/hisi_hdc \
                     -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
                     -v /usr/local/Ascend/add-ons/:/usr/local/Ascend/add-ons/ \
                     -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \
                     -v /var/log/npu/conf/slog/slog.conf:/var/log/npu/conf/slog/slog.conf \
                     -v /var/log/npu/slog/:/var/log/npu/slog \
                     -v /var/log/npu/profiling/:/var/log/npu/profiling \
                     -v /var/log/npu/dump/:/var/log/npu/dump \
                     -v /var/log/npu/:/usr/slog \
                     shaowenchen/hccl-test:arm64-20240712v2 \
                     /bin/bash