大促封网期 GPU 平台值守手册：红线看板与 XID 故障快速摘除 Runbook

大促封网期 GPU 平台值守手册红线看板与 XID 故障快速摘除 Runbook在大促正式进入封网Infra Freeze的值守作战阶段AI 基础设施团队必须从“建设与压测模式”全面切换至“最高战备值守模式”。在夜间零点流量洪峰过境时面对上千张处于高负荷运转的 GPU 显卡值班工程师绝不能临阵慌乱、盲目登录节点排查。值守大屏上必须具备直观的关键红线指标大盘Red-Line Dashboard并且每位值班人员的案头都必须备好一份精准、可无脑执行的硬件故障快速摘除应急手册Runbook。当物理机突然爆出 NVIDIA 驱动报错时值守手册的目标只有一个在 60 秒内将故障卡或整机安全从在线调度池中剔除将正在运行的模型负载平滑漂移至热备节点把对外部用户的感知影响压制到绝对零度。[大促封网期 GPU 算力平台战备值班拓扑] │ ┌───────────────────────┴───────────────────────┐ ▼ ▼ [战备指挥大屏: 三大红线指标] [应急处置通道: 60秒快速摘除 Runbook] - 1. NVLink / RoCE 通信吞吐丢包率 - 捕获 XID 31 / 48 / 62 / 79 报警 - 2. KV Cache 显存剩余 Block 水位 - 脚本一键执行 GPU Drain K8s Cordon - 3. 首字延迟 TTFT P99 变化斜率 - 触发在线推理 Pod 毫秒级热备切换 │ │ └───────────────────────┬───────────────────────┘ ▼ [平稳度过大促零点洪峰零业务中断]值守大屏三大核心红线指标与阈值值班人员在值守期间应重点关注以下三项红线指标一旦触发必须立即介入红线 1显存 KV Cache 可用 Block 水位 8%物理含义模型推理引擎的动态显存池已逼近极限随时可能发生显存 OOM 崩溃响应动作立即在前置网关激活长文本限制与自适应丢弃策略。红线 2NCCL / RoCE 报文重传计数器retrans_out_of_buffer 10 次/秒物理含义跨机分布式通信网络发生严重微突发丢包或 PFC 拥塞导致多卡 AllReduce 耗时翻倍响应动作立即定位发生丢包的交换机端口与节点执行慢节点单向隔离。红线 3出现不可逆驱动报错XID 48 / 62 / 79物理含义物理显卡出现不可纠正 ECC 显存损坏、固件死锁或 PCIe 总线掉卡响应动作直接执行以下 Runbook 进行硬件快速摘除。生产级 XID 故障快速摘除 Runbook当收到诸如GPU XID 79: GPU fallen off the bus on node-gpu-42的报警时值班工程师严格按照以下四个步骤操作# # GPU 故障快速隔离应急脚本 (Runbook Step-by-Step) # 适用场景: XID 48 (ECC 坏块) / XID 62 (固件挂死) / XID 79 (掉卡) # # 步骤 1: 立即将 Kubernetes 节点置为不可调度 (Cordon)阻止新 Pod 分配 NODE_NAMEnode-gpu-42 kubectl cordon ${NODE_NAME} # 步骤 2: 为节点打上专用故障污点强制触发 Kube-Scheduler 规避 kubectl taint node ${NODE_NAME} gpu.infra.status/hardware-faulttrue:NoSchedule --overwrite # 步骤 3: 检查该节点上运行的在线推理 Pod 并执行优雅驱逐 (Graceful Evict) # 注意: 设置 30 秒优雅期让推理引擎处理完当前正在流式输出的最后一个 Token kubectl drain ${NODE_NAME} --ignore-daemonsets --delete-emptydir-data --force --grace-period30 # 步骤 4: 登录故障物理机 (通过带外管理或 SSH)将显卡置为物理 Drain 模式 # 阻止本地残留进程再次调用 CUDA Context ssh root${NODE_NAME} nvidia-smi drain -p 0000:01:00.0 -m 1 echo 【应急隔离完成】节点 ${NODE_NAME} 已成功下线备用算力池已自动接管自动化一键应急隔离 CLI 工具Go 实现为了防止值班人员在深夜紧张敲错命令我们将上述步骤封装为二进制一键工具package main import ( context flag fmt os time corev1 k8s.io/api/core/v1 metav1 k8s.io/apimachinery/pkg/apis/meta/v1 k8s.io/client-go/kubernetes k8s.io/client-go/tools/clientcmd ) func main() { nodeName : flag.String(node, , 故障 GPU 节点名称) flag.Parse() if *nodeName { fmt.Println(错误: 必须指定 -node 参数) os.Exit(1) } config, _ : clientcmd.BuildConfigFromFlags(, os.Getenv(KUBECONFIG)) clientset, _ : kubernetes.NewForConfig(config) ctx : context.Background() fmt.Printf( [大促应急] 正在执行节点 %s 的毫秒级硬件隔离与驱逐...\n, *nodeName) // 1. Cordon 节点 node, err : clientset.CoreV1().Nodes().Get(ctx, *nodeName, metav1.GetOptions{}) if err ! nil { panic(err) } node.Spec.Unschedulable true // 2. 打上硬性故障污点 node.Spec.Taints append(node.Spec.Taints, corev1.Taint{ Key: gpu.infra.status/emergency-drain, Value: true, Effect: corev1.TaintEffectNoSchedule, }) _, _ clientset.CoreV1().Nodes().Update(ctx, node, metav1.UpdateOptions{}) // 3. 安全驱逐核心业务 Pod pods, _ : clientset.CoreV1().Pods().List(ctx, metav1.ListOptions{ FieldSelector: fmt.Sprintf(spec.nodeName%s, *nodeName), }) var gracePeriod int64 20 for _, p : range pods.Items { if p.Namespace kube-system { continue } fmt.Printf( 正在驱逐 Pod: %s/%s\n, p.Namespace, p.Name) _ clientset.CoreV1().Pods(p.Namespace).Delete(ctx, p.Name, metav1.DeleteOptions{ GracePeriodSeconds: gracePeriod, }) } fmt.Println( [大促应急] 隔离流程执行完毕已触发热备实例自动上线) }封网值班的三条铁律先隔离后排障大促期间严禁在未隔离节点的情况下直接在生产宿主机上执行gdb、strace或反复测试重启必须第一时间将节点摘除保障大盘稳定严禁在生产集群进行显卡硬复位Hard Reset在有多卡通信的 HGX 拓扑中单卡硬复位可能导致整机 PCIe 链路挂死必须将整个宿主机平滑 Drain 完毕后通过 IPMI 进行整机冷重启保持热备池容量恒定任何一台节点被隔离下线后值班长必须确认备用池中有一台同规格机器自动顶替始终维持 10% 以上的算力安全冗余。