故障处理方法、装置、存储介质及电子设备与流程

1.本公开涉及计算机管理技术领域，具体地，涉及一种故障处理方法、装置、存储介质及电子设备。


背景技术：

2.云计算集群中包含多种类型的服务器，其中gpu服务器(graphics processing unit，图形处理器)是云计算集群中提供gpu算力的重要组成部分，主要完成图像处理的数据运算，也称为node(节点)。gpu服务器使得cpu服务器(central processing unit，中央处理器)从图形处理的任务中解放出来，从而去执行更多其他的任务。并且，gpu服务器一般为多gpu显卡的机器，若gpu服务器中单个gpu显卡出现故障时，会导致整个gpu服务器不可用。


技术实现要素：

3.提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
4.第一方面，本公开提供一种故障处理方法，所述方法包括：
5.当云计算集群发生显卡故障时，确定发生所述显卡故障的节点和目标显卡；
6.禁止调用所述节点的资源创建虚拟机；
7.在所述云计算集群的节点配置文件中写入所述目标显卡对应的故障标识信息，并更新所述节点配置文件中的可用显卡信息，得到目标配置文件，所述目标配置文件中的可用显卡信息不包括所述目标显卡的信息；
8.根据所述目标配置文件，控制所述云计算集群中各节点的运行。
9.第二方面，本公开提供一种故障处理装置，所述装置包括：
10.确定模块，用于当云计算集群发生显卡故障时，确定发生所述显卡故障的节点和目标显卡；
11.禁止模块，用于禁止调用所述节点的资源创建虚拟机；
12.更新模块，用于在所述云计算集群的节点配置文件中写入所述目标显卡对应的故障标识信息，并更新所述节点配置文件中的可用显卡信息，得到目标配置文件，所述目标配置文件中的可用显卡信息不包括所述目标显卡的信息；
13.控制模块，用于根据所述目标配置文件，控制所述云计算集群中各节点的运行。
14.第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中任一项所述方法的步骤。
15.第四方面，本公开提供一种电子设备，包括：
16.存储装置，其上存储有计算机程序；
17.处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中任一项所述方法的步骤。
18.通过上述技术方案，当云计算集群发生显卡故障时，确定发生显卡故障的节点和目标显卡，并禁止调用节点的资源创建虚拟机，在云计算集群的节点配置文件中写入目标显卡对应的故障标识信息，更新节点配置文件中的可用显卡信息得到目标配置文件，最后根据所述目标配置文件控制云计算集群中各节点的运行。采用上述方法，能够在云计算集群发生显卡故障时，禁用调用节点的资源创建虚拟机，以控制故障范围，进而对故障显卡进行隔离，更新节点配置文件中的可用显卡信息后重新上线节点，使得用户可以继续调用该节点中除故障显卡外的其他可用显卡，既可以保障该节点上的其他业务的运行，又可以避免其他可用显卡的闲置。
19.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
20.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
21.图1是根据本公开一示例性实施例示出的一种gpu显卡与cpu的连接示意图；
22.图2是根据本公开一示例性实施例示出的一种节点运行虚拟机的示意图；
23.图3是根据本公开一示例性实施例示出的一种故障处理方法的流程示意图；
24.图4是根据本公开一示例性实施例示出的一种检测显卡故障的过程示意图；
25.图5是根据本公开一示例性实施例示出的一种故障处理过程的示意图；
26.图6是根据本公开一示例性实施例示出的一种重启通信通道的示意图；
27.图7是根据本公开一示例性实施例示出的另一种故障处理过程的示意图；
28.图8是根据本公开一示例性实施例示出的一种故障处理装置的框图；
29.图9是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
30.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
31.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
32.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
33.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
34.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域
技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
35.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
36.目前，gpu服务器一般为多gpu显卡的机器，例如2路的服务器，通过pcie(peripheral component interconnect express，高速串行计算机扩展总线标准)直连(如图1未设置pcie switch(交换芯片)的情况下)cpu可以支持4个gpu显卡。参照图1，通过pcie switch的扩展可以支持到8个、16个等不同数量的gpu显卡，其中，cpu1和cpu0之间通过inter socketlink(跨插槽内连接)进行通信，x8和x16表示数据通道的数量。并且，参照图2，单个node(节点)上可以运行多个用户的多个虚拟机，相同用户的虚拟机可以运行在不同的node上，同一个node上也可以运行不同用户的虚拟机。
37.但是，gpu服务器中单个或部分gpu显卡出现故障时，若gpu服务器处于启动过程中可能会导致机器无法启动，若gpu服务器处于运行过程中可能会导致用户运行的虚拟机卡死或者宕机重启，如此，均会导致整个gpu服务器不可用，一方面会影响该服务器上的其他业务，例如同一node的其他用户无法调度该node的资源，另一方面会造成可用的gpu显卡的闲置。
38.有鉴于此，本公开提供一种故障处理方法、装置、存储介质及电子设备，以解决上述技术问题。
39.下面结合具体实施例对页面渲染方法进行说明。
40.图3是根据本公开一示例性实施例示出的一种故障处理方法的流程图。参照图3，该方法包括：
41.步骤31，当云计算集群发生显卡故障时，确定发生显卡故障的节点和目标显卡。
42.其中，显卡包括gpu显卡。
43.步骤32，禁止调用节点的资源创建虚拟机。
44.需说明的是，禁止调用发生显卡故障的节点资源创建虚拟机，可以使用户在新创建虚拟机时调用其他节点的信息，避免用户调用发生显卡故障的节点资源创建虚拟机失败，或创建的虚拟机不可用，从而控制故障范围。
45.步骤33，在云计算集群的节点配置文件中写入目标显卡对应的故障标识信息，并更新节点配置文件中的可用显卡信息，得到目标配置文件。
46.其中，目标配置文件中的可用显卡信息不包括目标显卡的信息。
47.步骤34，根据目标配置文件，控制云计算集群中各节点的运行。
48.示例地，由于目标配置文件中的可用显卡信息不包括故障的目标显卡的信息，因此根据目标配置文件控制云计算集群中各节点的运行不会调用该目标显卡，即禁用发生故障的目标显卡，目标显卡所在节点的其他可用显卡可以正常调用，从而实现单个或部分显卡的故障隔离，最大化保持gpu服务器的可用资源。
49.采用上述方法，能够在云计算集群发生显卡故障时，禁用调用节点的资源创建虚拟机，以控制故障范围，进而对故障显卡进行隔离，更新节点配置文件中的可用显卡信息后重新上线节点，使得用户可以继续调用该节点中除故障显卡外的其他可用显卡，既可以保障该节点上的其他业务的运行，又可以避免其他可用显卡的闲置。
50.首先，需要判断云计算集群是否发生显卡故障。通常故障一般都是依赖驱动程序
的故障码来标识，但是在云计算集群的虚拟化环境中，gpu显卡可以与虚拟机操作系统直接进行数据通信，可以通过gpu显卡的pcie状态判断云计算集群是否发生显卡故障。参照图4，能够获取gpu显卡的pcie状态的角色包括物理机操作系统(os)、虚拟机os以及物理机bmc(baseboard management controller，基板管理控制器)。但是通过虚拟机os获取gpu显卡的pcie状态，需要在用户的虚拟机操作系统内安装agent(代理服务)，由于用户的虚拟机环境通常不支持使用公网的集群，因此可以采用物理机操作系统的agent和物理机bmc的agent获取gpu显卡的pcie状态，即物理机带内结合pcie寄存器状态和带外bmc获取显卡状态的综合的方法，以判断gpu显卡的状态。
51.在可能的方式中，该方法还包括：检测云计算集群中的当前显卡数量，并获取云计算集群中的预设显卡数量，当当前显卡数量小于预设显卡数量时，确定云计算集群发生显卡故障。和/或，从配置寄存器读取云计算集群中各显卡的配置空间的值，当存在配置空间的值为0xff时，确定云计算集群发生显卡故障，其中，配置寄存器用于存储显卡对应的配置信息。
52.示例地，显卡故障一般分为丢卡故障和坏卡故障。丢卡故障表示在os或bmc检测不到显卡，可以通过检测云计算集群中的当前显卡数量，并获取云计算集群中的预设显卡数量，进而对比当前显卡数量和预设显卡数量，若当前显卡数量小于预设显卡数量时，则确定云计算集群发生丢卡故障。其中，预设显卡数量表征云计算集群中记录的节点配置的显卡数量，例如某节点配置的显卡数量为8个，当前显卡数量为7个，则说明有一个显卡检测不到，即发生丢卡故障。
53.示例地，坏卡故障表示虽然os或bmc可以检测到显卡，但是获取的pcie的配置空间的值为0xff(表征故障的预设值)。其中，os内可以直接读取预设存储路径下存储的各显卡的配置空间的值，bmc可以使用i2c总线读取寄存器中存储的各显卡的配置空间的值，在正常情况下可以获取到显卡的vendor id(显卡的供应商编号)或者device id(显卡的型号)等信息的，如果获取某一显卡的配置空间的值全为0xff，则说明该显卡出现故障，即发生坏卡故障。
54.在可能的方式中，该方法还包括：接收对显卡故障的人工确认信息，当人工确认信息表征未发生显卡故障时，允许调用节点的资源创建虚拟机，并删除节点配置文件中目标显卡对应的故障标识信息。更新节点配置文件中的可用显卡信息可以是：当人工确认信息表征发生显卡故障时，更新节点配置文件中的可用显卡信息。
55.示例地，继续参照图4，若根据os或bmc检测到显卡发生故障，可以发送告警信息以提示运维人员进行处理，并通过节点虚拟化控制器在云计算集群的节点配置文件写入发生故障的目标显卡对应的故障标识信息，即进行疑似故障卡打标，从而便于运维人员在后续检测过程中定位故障显卡。
56.需说明的是，对os或bmc检测到的故障显卡标记为疑似故障卡，再通过运维人员进行人工确认，运维人员可以基于gpu显卡的状态、用户的虚拟机环境、gpu服务器是否发生重启和数据丢失等情况进行综合判断，具体可以根据需求确定判断规则，本公开对此不作限制。当运维人员确定未发生显卡故障时，可以删除节点配置文件中目标显卡对应的故障标识信息，并允许调用节点的资源创建虚拟机(上线节点)，通过运维人员的人工确认，可以减少误报故障导致显卡不可用或进行整机检修。当运维人员确定发生显卡故障时，则更新节
点配置文件中的可用显卡信息并上线节点，即禁用发生故障的目标显卡，对故障显卡进行故障隔离，最大化保持gpu服务器的可用资源。
57.在可能的方式中，更新节点配置文件中的可用显卡信息可以是：通过云计算集群的集群调度资源器生成目标显卡对应的禁用信息，并将禁用信息写入节点配置文件，通过云计算集群的节点虚拟化控制器根据节点配置文件中的禁用信息，更新节点配置文件记录的可用显卡信息。
58.示例地，参照图5，当运维人员确定发生显卡故障时，云计算集群的集群调度资源器根据人工确认信息生成目标显卡的禁用信息，并将禁用信息写入节点配置文件。节点虚拟化控制器根据节点配置文件中的禁用信息更新节点配置文件记录的可用显卡信息。当运维人员确定未发生显卡故障时，云计算集群的集群调度资源器根据人工确认信息可以删除节点配置文件中目标显卡对应的故障标识信息，节点虚拟化控制器可以根据删除故障标识信息的节点配置文件更新可用资源，取消节点禁止调度的标记或将该节点标记为“节点可以调度”，即将节点重新上线，允许调用节点的资源创建虚拟机。
59.在可能的方式中，通过云计算集群的节点虚拟化控制器根据节点配置文件中的禁用信息，更新节点配置文件记录的可用显卡信息可以是：通过节点虚拟化控制器从节点配置文件中获取禁用信息，并根据禁用信息确定当前可用显卡信息，将当前可用显卡信息上报给云计算集群的节点控制器，通过节点控制器根据当前可用显卡信息更新节点配置文件中记录的可用显卡信息。
60.示例地，继续参照图5，节点虚拟化控制器可以从节点配置文件中获取禁用信息，并根据禁用信息确定当前可用显卡信息，将当前可用显卡信息上报给云计算集群的节点控制器(上报可用资源)，节点控制器根据当前可用显卡信息更新节点配置文件中记录的可用显卡信息。此外，若运维人员确定未发生显卡故障时，节点控制器根据上报的可用资源，取消节点配置文件中该节点的节点禁止调度的标记或将该节点标记为“节点可以调度”，即重新上线节点，允许调用节点的资源创建虚拟机。
61.在可能的方式中，该方法还包括：确定目标显卡在云计算集群与中央处理单元之间的通信通道，并重启通信通道，确定重启通信通道后目标显卡的配置空间的值，当重启通信通道后目标显卡的配置空间的值为0xff时，控制节点关机，以对节点进行维修。
62.示例地，由于cpu显卡故障会存在第一比例的误报，为了避免因误报导致gpu服务器下线检修，造成gpu服务器长时间不可用，可以在下线节点业务之后、触发关机维修之前重启通信通道，当重启通信通道后目标显卡的配置空间的值不是0xff，pcie状态也恢复正常，则可以在经过进一步的测试业务的测试后，确定该节点和显卡可用，无需进行关机维修，确定显卡正常的测试业务可以根据需求进行设置，本公开对此不作限制。当重启通信通道后目标显卡的配置空间的值依然为0xff时，控制节点关机以对节点进行维修。
63.在可能的方式中，重启通信通道可以是：当通信通道包括中央处理单元与交换芯片之间的上行通信通道和交换芯片与目标显卡之间的下行通信通道时，确定交换芯片连接的其他显卡是否处于业务运行状态，当其他显卡未处于业务运行状态时，重启上行通信通道和下行通信通道，当其他显卡处于业务运行状态时，重启下行通信通道。
64.示例地，参照图6，中央处理单元(cpu)与交换芯片(pcie switch)之间的通信通道为上行通信通道，交换芯片与目标显卡之间的下行通信通道。图6中显卡gpu0被标记为故
障，若pcie switch0连接的gpu1-3未处于业务运行状态，则可以重启pcie switch0与cpu0之间上行通信通道和pcie switch0与显卡gpu0之间的下行通信通道。若pcie switch0连接的gpu1-3处于业务运行状态，则重启pcie switch0与显卡gpu0之间的下行通信通道，这样可以不影响显卡gpu1-3所执行的业务。
65.图7是根据本公开一示例性实施例示出的故障处理的完整流程。参照图7，gpu显卡被os或bmc检测到故障之后，就会触发告警通知运维人员，运维人员收到告警信息后会对故障情况进行确认。并且告警会直接触发节点的禁止调度，因为gpu显卡的故障基本上都是严重故障，可能会引起宕机、卡死等影响虚拟机运行的情况，禁止节点调度避免用户使用故障显卡创建新的虚拟机，从而阻止故障的扩散。运维人员可以综合当前看到的状态和用户的虚拟机的网络、负载、问题反馈等，确认当前显卡的状态。若运维人员确认gpu显卡故障，则需要通过集群调度器在节点配置文件中标记故障，节点虚拟化控制器会根据节点配置文件更新可用资源，并上报给节点控制器，节点控制器会进一步刷新节点配置文件中该节点的容量字段(可用显卡数量)。
66.进一步地，若用户可以带故障使用节点，当前故障就处理完成，完成容量刷新之后，可以选择把节点调度重新开放(重新上线节点)。但是此时故障的gpu显卡并没有恢复，只是故障的gpu显卡被禁止调用，可以等待客户下线或者调度虚拟机(使用其他节点，放开带故障gpu显卡的节点)的时候，就可以把当前的显卡空闲出来，如果当前节点没有其他的业务虚拟机，可以禁止调度整个节点，开始处理显卡的故障。或者用户不可以带故障使用节点，则立即开始处理显卡的故障。可以在维修之前重启通信通道，若重启通信通道后显卡恢复正常状态，就结束维修，重新上线节点，如果无法恢复则下线节点，更换gpu显卡之后再重新上线节点。
67.基于同一发明构思，本公开实施例提供一种故障处理装置，参照图8，该装置800包括：
68.确定模块801，用于当云计算集群发生显卡故障时，确定发生显卡故障的节点和目标显卡。
69.禁止模块802，用于禁止调用节点的资源创建虚拟机。
70.更新模块803，用于在云计算集群的节点配置文件中写入目标显卡对应的故障标识信息，并更新节点配置文件中的可用显卡信息，得到目标配置文件，目标配置文件中的可用显卡信息不包括目标显卡的信息；
71.控制模块804，用于根据目标配置文件，控制云计算集群中各节点的运行。
72.可选地，所述更新模块803用于：
73.通过所述云计算集群的集群调度资源器生成所述目标显卡对应的禁用信息，并将所述禁用信息写入所述节点配置文件；
74.通过所述云计算集群的节点虚拟化控制器根据所述节点配置文件中的所述禁用信息，更新所述节点配置文件记录的可用显卡信息。
75.可选地，所述更新模块803用于：
76.通过所述节点虚拟化控制器从所述节点配置文件中获取所述禁用信息，并根据所述禁用信息确定当前可用显卡信息，将所述当前可用显卡信息上报给所述云计算集群的节点控制器；
77.通过所述节点控制器根据所述当前可用显卡信息更新所述节点配置文件中记录的可用显卡信息。
78.可选地，所述装置800还包括确认模块，所述确认模块用于：
79.接收对所述显卡故障的人工确认信息；
80.当所述人工确认信息表征未发生显卡故障时，允许调用所述节点的资源创建虚拟机，并删除所述节点配置文件中所述目标显卡对应的故障标识信息；
81.所述更新模块803用于：
82.当所述人工确认信息表征发生显卡故障时，更新所述节点配置文件中的可用显卡信息。
83.可选地，所述装置800还包括检测模块，所述检测模块用于：
84.检测所述云计算集群中的当前显卡数量，并获取所述云计算集群中的预设显卡数量，当所述当前显卡数量小于所述预设显卡数量时，确定所述云计算集群发生显卡故障；和/或，
85.从配置寄存器读取所述云计算集群中各显卡的配置空间的值，当存在所述配置空间的值为0xff时，确定所述云计算集群发生显卡故障，其中，所述配置寄存器用于存储显卡对应的配置信息。
86.可选地，所述装置800还包括重启模块，所述重启模块用于：
87.确定所述目标显卡在所述云计算集群与中央处理单元之间的通信通道，并重启所述通信通道；
88.确定重启所述通信通道后所述目标显卡的配置空间的值；
89.当重启所述通信通道后所述目标显卡的配置空间的值为0xff时，控制所述节点关机，以对所述节点进行维修。
90.可选地，所述重启模块用于：
91.当所述通信通道包括所述中央处理单元与交换芯片之间的上行通信通道和所述交换芯片与所述目标显卡之间的下行通信通道时，确定所述交换芯片连接的其他显卡是否处于业务运行状态；
92.当所述其他显卡未处于所述业务运行状态时，重启所述上行通信通道和所述下行通信通道；
93.当所述其他显卡处于所述业务运行状态时，重启所述下行通信通道。
94.基于同一构思，本公开还提供一种非临时性计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述故障处理方法的步骤。
95.基于同一构思，本公开还提供一种电子设备，包括：
96.存储装置，其上存储有计算机程序；
97.处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述故障处理方法的步骤。
98.下面参考图9，其示出了适于用来实现本公开实施例的电子设备900的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图9示出的电
子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
99.如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储装置908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
100.通常，以下装置可以连接至i/o接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
101.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从rom 902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的故障处理方法中限定的上述功能。
102.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
103.在一些实施方式中，可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
104.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未
装配入该电子设备中。
105.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：当云计算集群发生显卡故障时，确定发生所述显卡故障的节点和目标显卡；禁止调用所述节点的资源创建虚拟机；在所述云计算集群的节点配置文件中写入所述目标显卡对应的故障标识信息，并更新所述节点配置文件中的可用显卡信息，得到目标配置文件，所述目标配置文件中的可用显卡信息不包括所述目标显卡的信息；根据所述目标配置文件，控制所述云计算集群中各节点的运行。
106.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
107.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
108.描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，确定模块还可以被描述为“当云计算集群发生显卡故障时，确定发生所述显卡故障的节点和目标显卡模块”。
109.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
110.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或
上述内容的任何合适组合。
111.根据本公开的一个或多个实施例，示例1提供了一种故障处理方法，所述方法包括：当云计算集群发生显卡故障时，确定发生所述显卡故障的节点和目标显卡；禁止调用所述节点的资源创建虚拟机；在所述云计算集群的节点配置文件中写入所述目标显卡对应的故障标识信息，并更新所述节点配置文件中的可用显卡信息，得到目标配置文件，所述目标配置文件中的可用显卡信息不包括所述目标显卡的信息；根据所述目标配置文件，控制所述云计算集群中各节点的运行。
112.根据本公开的一个或多个实施例，示例2提供了示例1所述的方法，所述更新所述节点配置文件中的可用显卡信息，包括：通过所述云计算集群的集群调度资源器生成所述目标显卡对应的禁用信息，并将所述禁用信息写入所述节点配置文件；通过所述云计算集群的节点虚拟化控制器根据所述节点配置文件中的所述禁用信息，更新所述节点配置文件记录的可用显卡信息。
113.根据本公开的一个或多个实施例，示例3提供了示例2所述的方法，所述通过所述云计算集群的节点虚拟化控制器根据所述节点配置文件中的所述禁用信息，更新所述节点配置文件记录的可用显卡信息，包括：通过所述节点虚拟化控制器从所述节点配置文件中获取所述禁用信息，并根据所述禁用信息确定当前可用显卡信息，将所述当前可用显卡信息上报给所述云计算集群的节点控制器；通过所述节点控制器根据所述当前可用显卡信息更新所述节点配置文件中记录的可用显卡信息。
114.根据本公开的一个或多个实施例，示例4提供了示例1-3任一项所述的方法，所述方法还包括：接收对所述显卡故障的人工确认信息；当所述人工确认信息表征未发生显卡故障时，允许调用所述节点的资源创建虚拟机，并删除所述节点配置文件中所述目标显卡对应的故障标识信息；所述更新所述节点配置文件中的可用显卡信息，包括：当所述人工确认信息表征发生显卡故障时，更新所述节点配置文件中的可用显卡信息。
115.根据本公开的一个或多个实施例，示例5提供了示例1-3任一项所述的方法，所述方法还包括：检测所述云计算集群中的当前显卡数量，并获取所述云计算集群中的预设显卡数量，当所述当前显卡数量小于所述预设显卡数量时，确定所述云计算集群发生显卡故障；和/或，从配置寄存器读取所述云计算集群中各显卡的配置空间的值，当存在所述配置空间的值为0xff时，确定所述云计算集群发生显卡故障，其中，所述配置寄存器用于存储显卡对应的配置信息。
116.根据本公开的一个或多个实施例，示例6提供了示例1-3任一项所述的方法，所述方法还包括：确定所述目标显卡在所述云计算集群与中央处理单元之间的通信通道，并重启所述通信通道；确定重启所述通信通道后所述目标显卡的配置空间的值；当重启所述通信通道后所述目标显卡的配置空间的值为0xff时，控制所述节点关机，以对所述节点进行维修。
117.根据本公开的一个或多个实施例，示例7提供了示例6所述的方法，所述重启所述通信通道，包括：当所述通信通道包括所述中央处理单元与交换芯片之间的上行通信通道和所述交换芯片与所述目标显卡之间的下行通信通道时，确定所述交换芯片连接的其他显卡是否处于业务运行状态；当所述其他显卡未处于所述业务运行状态时，重启所述上行通信通道和所述下行通信通道；当所述其他显卡处于所述业务运行状态时，重启所述下行通
信通道。
118.根据本公开的一个或多个实施例，示例8提供了一种故障处理装置，所述装置包括：确定模块，用于当云计算集群发生显卡故障时，确定发生所述显卡故障的节点和目标显卡；禁止模块，用于禁止调用所述节点的资源创建虚拟机；更新模块，用于在所述云计算集群的节点配置文件中写入所述目标显卡对应的故障标识信息，并更新所述节点配置文件中的可用显卡信息，得到目标配置文件，所述目标配置文件中的可用显卡信息不包括所述目标显卡的信息；控制模块，用于根据所述目标配置文件，控制所述云计算集群中各节点的运行。
119.根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。
120.根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤。
121.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
122.此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
123.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

技术特征：
1.一种故障处理方法，其特征在于，所述方法包括：当云计算集群发生显卡故障时，确定发生所述显卡故障的节点和目标显卡；禁止调用所述节点的资源创建虚拟机；在所述云计算集群的节点配置文件中写入所述目标显卡对应的故障标识信息，并更新所述节点配置文件中的可用显卡信息，得到目标配置文件，所述目标配置文件中的可用显卡信息不包括所述目标显卡的信息；根据所述目标配置文件，控制所述云计算集群中各节点的运行。2.根据权利要求1所述的方法，其特征在于，所述更新所述节点配置文件中的可用显卡信息，包括：通过所述云计算集群的集群调度资源器生成所述目标显卡对应的禁用信息，并将所述禁用信息写入所述节点配置文件；通过所述云计算集群的节点虚拟化控制器根据所述节点配置文件中的所述禁用信息，更新所述节点配置文件记录的可用显卡信息。3.根据权利要求2所述的方法，其特征在于，所述通过所述云计算集群的节点虚拟化控制器根据所述节点配置文件中的所述禁用信息，更新所述节点配置文件记录的可用显卡信息，包括：通过所述节点虚拟化控制器从所述节点配置文件中获取所述禁用信息，并根据所述禁用信息确定当前可用显卡信息，将所述当前可用显卡信息上报给所述云计算集群的节点控制器；通过所述节点控制器根据所述当前可用显卡信息更新所述节点配置文件中记录的可用显卡信息。4.根据权利要求1-3任一所述的方法，其特征在于，所述方法还包括：接收对所述显卡故障的人工确认信息；当所述人工确认信息表征未发生显卡故障时，允许调用所述节点的资源创建虚拟机，并删除所述节点配置文件中所述目标显卡对应的故障标识信息；所述更新所述节点配置文件中的可用显卡信息，包括：当所述人工确认信息表征发生显卡故障时，更新所述节点配置文件中的可用显卡信息。5.根据权利要求1-3任一所述的方法，其特征在于，所述方法还包括：检测所述云计算集群中的当前显卡数量，并获取所述云计算集群中的预设显卡数量，当所述当前显卡数量小于所述预设显卡数量时，确定所述云计算集群发生显卡故障；和/或，从配置寄存器读取所述云计算集群中各显卡的配置空间的值，当存在所述配置空间的值为0xff时，确定所述云计算集群发生显卡故障，其中，所述配置寄存器用于存储显卡对应的配置信息。6.根据权利要求1-3任一所述的方法，其特征在于，所述方法还包括：确定所述目标显卡在所述云计算集群与中央处理单元之间的通信通道，并重启所述通信通道；确定重启所述通信通道后所述目标显卡的配置空间的值；
当重启所述通信通道后所述目标显卡的配置空间的值为0xff时，控制所述节点关机，以对所述节点进行维修。7.根据权利要求6所述的方法，其特征在于，所述重启所述通信通道，包括：当所述通信通道包括所述中央处理单元与交换芯片之间的上行通信通道和所述交换芯片与所述目标显卡之间的下行通信通道时，确定所述交换芯片连接的其他显卡是否处于业务运行状态；当所述其他显卡未处于所述业务运行状态时，重启所述上行通信通道和所述下行通信通道；当所述其他显卡处于所述业务运行状态时，重启所述下行通信通道。8.一种故障处理装置，其特征在于，所述装置包括：确定模块，用于当云计算集群发生显卡故障时，确定发生所述显卡故障的节点和目标显卡；禁止模块，用于禁止调用所述节点的资源创建虚拟机；更新模块，用于在所述云计算集群的节点配置文件中写入所述目标显卡对应的故障标识信息，并更新所述节点配置文件中的可用显卡信息，得到目标配置文件，所述目标配置文件中的可用显卡信息不包括所述目标显卡的信息；控制模块，用于根据所述目标配置文件，控制所述云计算集群中各节点的运行。9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。10.一种电子设备，其特征在于，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。

技术总结
本公开涉及一种故障处理方法、装置、存储介质及电子设备，以在显卡发生故障时进行故障隔离，所述方法包括：当云计算集群发生显卡故障时，确定发生所述显卡故障的节点和目标显卡；禁止调用所述节点的资源创建虚拟机；在所述云计算集群的节点配置文件中写入所述目标显卡对应的故障标识信息，并更新所述节点配置文件中的可用显卡信息，得到目标配置文件，所述目标配置文件中的可用显卡信息不包括所述目标显卡的信息；根据所述目标配置文件，控制所述云计算集群中各节点的运行。所述云计算集群中各节点的运行。所述云计算集群中各节点的运行。


技术研发人员：江冲 邹巍 王剑
受保护的技术使用者：北京火山引擎科技有限公司
技术研发日：2023.04.26
技术公布日：2023/8/1