GPU集群故障排查手册.docx

GPU集群故障排查手册（Word模板）

文档信息

内容

文档编号

__（例：GPU-CLUSTER-FAULT-2024-001）

版本号

__（例：V1.0）

生效日期

__（例：2024年X月X日）

编制人

__（SRE团队成员姓名）

审核人

__（技术负责人姓名）

适用范围

__（例：本公司XX数据中心A/B区GPU集群）

1概述

1.1编制目的

为规范GPU集群故障排查流程，缩短故障恢复时长，保障AI训练/推理业务连续性，特制定本手册。

1.2适用场景

本手册适用于__（例：NVIDIAA100/H100集群、国产昇腾910B集群）的硬件故障、驱动/固件故障、网络故障、业务异常