使用 atlctl 进行原地调试
AIStudio 任务功能提供 atlctl
命令行调试工具,您可以从 Web Terminal 登录任意的任务 Worker,执行停止任务、统一下发测试命令等调试工作。
了解调试状态
atlctl
命令行调试工具可手动控制任务的生命周期。运行中的任务在生命周期中的部分状态下,可被手动设置为调试(Debug)状态。在调试状态下,允许用户对所有任务 Worker 统一发起检测,或下发测试命令等。调试结束后,可恢复任务执行。
进入调试状态
必须从网页端登录任务 Worker。打开 Web Terminal 后,可直接使用 atlctl
工具。
Worker 登录入口在任务详情页 Worker 信息中,点击登录后可打开 Web Terminal。
注意
仅在任务运行中时可登录 Worker。
使用流程
以下提供三个使用流程范例:
- 执行 atlctl 工具内置检测
- 执行用户自定义检测脚本
- 执行 GPU 和通信烧机测试
执行内置检测脚本
atlctl 工具内置了 GPU 与通信检测脚本,默认可对任务中的全部 Worker 进行检测 GPU 和通讯检测。支持通过添加参数检测具体项目和自定义的临时环境变量。
登录任务的任意一个 Worker,按下方步骤操作:
查看训练任务状态。如果输出 Job status 为
command
,表示当前仍在执行任务中的用户代码。shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl status Job status: command
为了执行检测,需要先停止当前训练任务,将任务置于 Debug 状态。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl stop Stopping task in all workers... Stop job task success.
建议检查当前任务是否有 python 进程残留,如有则清理。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl run "ps -ef |grep python |grep -v grep |grep -v tini |awk '{print \$2}'|xargs kill -9" Send command to all workers success.
每次执行
atlctl run
后,必须执行atlctl stop
,否则无法再次下发其他atlctl
命令。shellatlctl stop
执行 atlctl 工具内置检测脚本。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl check All workers will be checked. Check finished. Check Quit.
检查结束,未发现问题,可终止检测。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl stop Stopping task in all workers... Stop job task success.
如需恢复任务运行,请先查看训练任务是否处于 debugStop 状态。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl status Job status: debugStop
如果任务状态已处于 debugStop 状态,可恢复训练任务:
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl status Job status: debugStop root@jo-daxbirgzm6e727pd-worker-0:~# atlctl recover Task recovering... Task recover success.
执行自定义调试命令
自定义的流程与执行内置检测主流程类似,区别仅在于使用 atlctl run
下发自定义检测命令。
登录任务的任意一个 Worker,按下方步骤操作:
查看训练任务状态。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl status Job status: command
输出 Job status 为
command
表示正在执行任务中的启动命令。停止当前训练任务,将任务置于 Debug 状态。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl stop Stopping task in all workers... Stop job task success.
建议检查当前任务是否有 python 进程残留,如有则清理。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl run "ps -ef |grep python |grep -v grep |grep -v tini |awk '{print \$2}'|xargs kill -9" Send command to all workers success.
每次执行
atlctl run
后,必须执行atlctl stop
,否则无法再次下发其他atlctl
命令。shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl stop Stopping task in all workers... Stop job task success.
执行自定义测试命令。如有多个命令需要连续运行,建议封装为 Shell 脚本。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl run "/mnt/public/debug/test-comms.sh"
调试结束,终止测试任务:
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl stop Stopping task in all workers... Stop job task success.
如需恢复任务运行,请先查看训练任务是否处于 debugStop 状态。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl status Job status: debugStop
如果任务状态已处于 debugStop 状态,可恢复训练任务:
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl status Job status: debugStop root@jo-daxbirgzm6e727pd-worker-0:~# atlctl recover Task recovering... Task recover success.
执行 GPU 和通信烧机测试
当需要对任务中的 Worker 进行性能压力测试时,可以使用 atlctl burn
命令。烧机测试可以帮助发现硬件问题、评估性能表现或验证系统稳定性。
登录任务的任意一个 Worker,按下方步骤操作:
查看训练任务状态。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl status Job status: command
停止当前训练任务,将任务置于 Debug 状态。
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl stop Stopping task in all workers... Stop job task success.
执行 GPU 烧机测试。例如,运行 GPU Gemm 计算测试 5 分钟:
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl burn -t gemm -d 5m
或者执行通信烧机测试,测试 allreduce 性能:
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl burn -t global -d 3m -e NCCL_DEBUG=WARN
烧机测试完成后,停止测试任务:
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl stop Stopping task in all workers... Stop job task success.
确认任务状态并恢复训练任务:
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl status Job status: debugStop root@jo-daxbirgzm6e727pd-worker-0:~# atlctl recover Task recovering... Task recover success.
手动强制删除掉卡节点
当节点出现掉卡(GPU异常、硬件故障等)导致任务卡住时,任务可能长时间无法自动退出。此时可通过以下步骤手动强制删除异常节点,加快任务重启或释放资源。
登录任务的任意一个 Worker,按下方步骤操作:
首先查看任务当前状态,确认任务是否处于异常或挂起状态:
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl status Job status: command
若任务仍在执行用户代码(如
Job status: command
),建议先将任务切换到调试(Debug)状态,避免消耗用户任务的容错次数:shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl stop Stopping task in all workers... Stop job task success.
执行强制删除命令,直接清理所有的 pod 节点:
shellroot@jo-daxbirgzm6e727pd-worker-0:~# atlctl delete -p all Send delete worker pod command to specified workers successfully.
删除后任务会自动重启,可通过任务详情页面监控重启进度。
此流程适用于节点掉卡、任务长时间卡住无法自动退出等场景,可有效加快故障恢复和资源释放。
命令说明
atlctl
工具提供以下命令。
burn
atlctl burn
提供通信和 GPU 烧机测试功能。该命令可以对任务中的 Worker 进行各种类型的性能压力测试,包括 GPU 计算、内存传输和网络通信测试。
root@jo-daxbirgzm6e727pd-worker-0:~# atlctl burn
选项:
-t, --burnType <type>
:指定执行的烧机测试类型。默认为gemm
。选项:gemm
: 执行 GPU Gemm 烧机测试transfer
: 执行 GPU 设备到主机和主机到设备的传输烧机测试local
: 执行本地 allreduce 烧机测试global
: 执行全局 allreduce 烧机测试batch
: 执行批量 allreduce 烧机测试(必须设置 worker 列表)
-d, --duration <duration>
:指定测试持续时间。默认为20s
。选项:20s
: 20 秒5m
: 5 分钟10min
: 10 分钟
-e, --envs <envs>
:指定测试的环境变量。格式:key1=value1
: 设置单个环境变量"key1=value1,value1.1;key2=value2;..."
: 通过分号分隔的键值对列表设置多个环境变量
-w, --workerList <list>
:指定参与测试的 worker 范围。默认为all
。选项:all
: 测试所有可用的 workerjo-xxx-worker1,jo-xxx-worker2,...
: 通过逗号分隔的 worker 名称列表测试特定的 worker
使用示例
# 使用默认设置运行所有烧机测试
atlctl burn
# 运行特定类型的 GPU 烧机测试
atlctl burn -t gemm -d 45s
atlctl burn -t transfer -d 3m
# 运行 allreduce 测试
atlctl burn -t global -d 3m -e NCCL_DEBUG=WARN
atlctl burn -t local -d 3m -e "NCCL_DEBUG=WARN;NCCL_ALGO=ring"
atlctl burn -t batch -d 3m -w jo-xxx-worker1,jo-xxx-worker2
输出示例:
root@jo-da4js4klf6zknlwx-worker-0:~# atlctl burn -t global -d 45s
All workers will be checked.
Round 1: AllReduce Perf(GB/s): Size=512M, BusBW=1.34 GB/s, AlgBW=1.34 GB/s, MasterAddr=jo-da4js4klf6zknlwx-worker-0
Round 1: AllReduce Perf(GB/s): Size=1G, BusBW=1.35 GB/s, AlgBW=1.35 GB/s, MasterAddr=jo-da4js4klf6zknlwx-worker-0
Round 1: AllReduce Perf(GB/s): Size=2G, BusBW=1.35 GB/s, AlgBW=1.35 GB/s, MasterAddr=jo-da4js4klf6zknlwx-worker-0
Round 1: AllReduce Perf(GB/s): Size=4G, BusBW=1.34 GB/s, AlgBW=1.34 GB/s, MasterAddr=jo-da4js4klf6zknlwx-worker-0
Check finished.
root@jo-da4js4klf6zknlwx-worker-0:~# atlctl stop
Stopping task in all workers...
Stop job task success.
root@jo-da4js4klf6zknlwx-worker-0:~#
status
atlctl status
用于查看当前任务的生命周期的状态。仅当任务处于 debugStop 状态下才能执行其他调试命令。
root@jo-daxbirgzm6e727pd-worker-0:~# atlctl status
Job status: debugStop
stop
atlctl stop
停止执行训练任务代码,将任务置于 Debug 状态,可通过 atlctl status
确认执行结果。
root@jo-daxbirgzm6e727pd-worker-0:~# atlctl stop
Stopping task in all workers...
Stop job task success.
重要
每次执行 atlctl run
/atlctl check
命令后,也必须执行 atlctl stop
终止调试任务,否则无法再次下发检测命令。
check
atlctl run check
运行内置检测,作用于任务所有 Worker。内置检测脚本默认将对任务中的全部 Worker 进行检测 GPU 和通讯检测。
root@jo-daxbirgzm6e727pd-worker-0:~# atlctl check
All workers will be checked.
Check finished.
Check Quit.
如需控制检测范围,可参考以下参数。
选项:
-t, --checkType string
:自定义检测范围。默认全部检测(gpu/通讯)。选项:gpu
: 执行与 GPU 相关的检查。allreduce
: 执行与 allreduce 操作相关的检查。all
: 执行所有可用的检查。(默认值:"all")
-e, --envs string
:添加自定义环境变量。默认为空。输入格式如下:key1=value1
:设置单个环境变量"key2=value2;key1=value1a,value1b;..."
:键值对用;
分隔。一个键如果有多个值,用,
分割。
shell# 设置单个环境变量 atlctl check -t gpu -e tt123=123 # 设置多个环境变量 atlctl check -t gpu -e "tt123=123;tt456=456,457"
-h, --help
:显示check
命令的帮助信息。-w, --workerList string
:自定义参与检测的 worker 范围。默认为全部。选项:all
: 检查所有可用的工作节点。jo-xxx-worker1,jo-xxx-worker2
: 通过提供逗号分隔的工作节点名称列表来检查特定的工作节点。(默认值:"all")
run
atlctl run "<command>"
下发并运行自定义调试命令,该调试命令将在任务所有 Worker 上运行。由于 atlctl run
不支持连续执行,建议在 <command>
中拼接多个 Shell 命令。推荐使用 Shell 脚本封装复杂调试命令。例如:
atlctl run "/mnt/public/debug/test-comms.sh"
recover
atlctl recover
: 在调试结束后,恢复执行训练任务的用户代码。
taint
atlctl taint
用于管理单个任务中的污点节点。可用于标记、清空和查看污点节点,便于调试和资源隔离。
注意
- 该功能需申请使用。申请通过后,可在任务详情页的规格信息表中查询节点名,作为 taint 命令输入值。
- taint 结果仅影响当前任务。
- 任务因硬件问题重新调度后,执行
atlctl taint -a list
会看到平台标记的污点节点。 - 任务被「一键重跑」或「改配重跑」后,taint 结果不会保留和生效。
用法示例:
# 查看当前所有污点节点,同时包含用户和平台添加的污点节点
atlctl taint -a list
# 标记 node1,node2 为污点节点
atlctl taint -a set -n node1,node2
# 清空所有污点节点
atlctl taint -a remove -n all
# 再次查看当前所有污点节点
atlctl taint -a list
选项说明:
-a <action>
:操作类型,可选值有list
(查看)、set
(标记)、remove
(清空)。-n <nodeList>
:指定节点名称,多个节点用逗号分隔,仅在set
操作时使用。
delete
atlctl delete
用于直接删除指定的 pod,可用于强制终止异常或不需要的 pod。删除成功后,任务重启。
注意
如果在执行用户命令阶段(Job status: command
)直接执行 atlctl delete
,导致任务重启,平台会自动计为一次为容错。如果容错次数(最大 10 次,可配置)耗尽,任务将直接失败。为避免消耗用户任务容错次数,建议先执行 atlctl debug
命令,将任务置为 debug 状态。
用法示例:
# 直接删除某个 pod
atlctl delete -p pod
# 直接删除某几个 pod
atlctl delete -p pod1,pod2
# 删除所有 pod
atlctl delete -p all
选项说明:
-p <podList>
:指定要删除的 pod 名称,多个 pod 用逗号分隔。
常见问题
atlctl 命令会消耗用户任务容错次数吗?
atlctl stop/run/recover
命令不会消耗用户任务容错次数。- 先执行
atlctl debug
再执行atlctl delete
,也不会消耗用户任务容错次数。
为什么 atlctl taint -a list
输出了用户未标记的污点节点?
任务因硬件问题重新调度后,执行 atlctl taint -a list
会看到平台标记的污点节点。
为什么执行 atlctl delete
后,任务直接运行失败了?
如果在执行用户命令阶段(Job status: command
)直接执行 atlctl delete
,导致任务重启,平台会自动计为一次为容错。如果容错次数(最大 10 次,可配置)耗尽,任务将直接失败。
为避免消耗用户任务容错次数,建议先执行 atlctl debug
命令,将任务置为 debug 状态,然后再执行 atlctl delete
命令。
在调试过程中,如何在任务 Worker 容器中运行一个分布式脚本?
您可以在任务运行中,登入任意任务 Worker,使用 atlctl run "<command>"
下发并运行自定义调试脚本,该调试脚本将在任务所有 Worker 上运行。
为什么执行 atlctl run
后无法再次下发其他命令?
每次执行 atlctl run
或 atlctl check
等部分命令后,都必须执行 atlctl stop
来终止当前的调试任务。这是因为 atlctl 工具需要确保任务处于正确的调试状态才能接受新的命令。
如何查看烧机测试的详细输出结果?
执行 atlctl burn
命令时,测试结果会直接显示在终端输出中。对于通信测试,您可以通过设置环境变量 -e NCCL_DEBUG=WARN
来获取更详细的调试信息。
任务恢复后是否会从断点继续执行?
使用 atlctl recover
恢复的任务会重新开始执行用户代码,而不是从调试前的断点继续。因此建议在调试前确保训练代码具有合适的检查点保存机制。
可以在多个 Worker 上同时登录并执行 atlctl 命令吗?
不建议在多个 Worker 上同时执行 atlctl 命令,这可能导致冲突。建议只在一个 Worker 上执行 atlctl 命令,该命令会自动作用于所有相关的 Worker。