灵骏AI助手故障监控系统_人工智能平台 PAI(PAI)-阿里云帮助中心

PAI AIMaster和灵骏AI助手是一套全自动化的故障快速恢复系统。安装AI助手并开启PAI的作业监控和恢复功能后，当训练任务发生故障或异常时，能自动上报故障信息、隔离问题节点，无需人工干预即可快速恢复任务。本文为您介绍AI助手的具体配置方法。

前提条件

已创建带有ACK灵骏托管版的集群。具体操作，请参见创建带有ACK灵骏托管版的集群。

功能介绍

安装AI助手并完成RRSA授权操作后，提交训练任务时，您需要开启PAI的AIMaster和EasyCKPT功能。当发生故障或异常时，通过AI助手底层的告警系统可以自动和PAI进行交互，上报故障信息，并根据故障触发阶段和并行策略选择规避故障方法，对故障机自动进行隔离，并从Checkpoint快速恢复任务。AI助手提供的具体功能如下：

异常采集和上报：通过AI助手的告警系统自动和PAI进行交互。
故障隔离：对故障机自动进行隔离。
异常处理：通过告警触发PAI创建Checkpoint并快速恢复任务。

配置方法

安装ack-lingjun-aiast组件。
1. 登录容器服务管理控制台，在左侧导航栏选择集群。
2. 在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择运维管理 > 组件管理。
3. 在组件管理页面，单击其他页签，找到ack-lingjun-aiast组件，单击组件右下方的安装。
4. 在提示对话框确认组件信息后，单击确定。
为集群开启RRSA功能。
1. 在目标集群的左侧导航栏，单击集群信息。
2. 在集群详情页面，单击基本信息页签，在集群信息区域单击RRSA OIDC右侧的启用RRSA。详情请参见通过RRSA配置ServiceAccount的RAM权限实现Pod权限隔离。
3. 在弹出的对话框中，单击确定。
安装ack-pod-identity-webhook组件。具体操作，请参见ack-pod-identity-webhook。

创建一个名为aiph-ack-rrsa-role的RAM角色。

使用阿里云账号登录RAM控制台。
在左侧导航栏，选择身份管理 > 角色。
在角色页面，单击创建角色。
在创建角色面板，选择可信实体类型为身份提供商，然后单击下一步。

在配置角色配置项，配置如下角色信息后，单击完成。

配置项	描述
角色名称	aiph-ack-rrsa-role
身份提供商类型	OIDC
选择身份提供商	ack-rrsa-<cluster_id>。其中，<cluster_id>为您的集群ID。
限制条件	oidc:iss：默认即可。 oidc:aud：选择sts.aliyuncs.com。 oidc:sub：条件判定方式选择StringEquals，值的格式为system:serviceaccount:aiph-ops:aiph-manager。

为上一步创建的角色授予AliyunCSReadOnlyAccess系统策略权限，以及AI助手需要的自定义OpenAPI权限。自定义OpenAPI权限信息如下，如何创建自定义权限策略，请参见创建自定义权限策略，如何为RAM角色授权，请参见为RAM角色授权。

# 注：添加该权限即代表授权AI助手代替用户进行灵骏节点自动化运维操作。

{
   "Statement": [
      {
         "Effect": "Allow",
         "Action": [
           "eflo:*"
         ],
         "Resource": [
            "acs:eflo:*"
         ]
      },
      {
         "Effect": "Allow",
         "Action": "cms:DescribeSystemEventAttribute",
         "Resource": "acs:cms:*"
      }
   ],
   "Version": "1"
}

后续步骤

如需使用训练任务快速恢复，您需要开启PAI的AI Master和EasyCKPT功能。具体操作步骤，请参见：