NVIDIA DGX SuperPOD：管理指南（包含 NVIDIA DGX H100 和 DGX A100 系统）

文档编号	DU-10263-001 V05
发布日期	2023-06-04
Base Command Manager 版本	3.23.05

提示

《NVIDIA DGX SuperPOD：管理指南（包含 NVIDIA DGX H100 和 DGX A100 系统）》也提供 PDF 版本。

管理指南

• 概述
  • 系统设计
  • 管理服务器
• 集群管理
  • 概念
    • 设备
    • 软件镜像
    • 节点类别
    • 节点组
    • 角色
  • 身份验证
    • 更改管理密码
    • ssh 登录
    • 证书
      • PEM 证书和 CMDaemon 前端身份验证
      • 使用 cmsh 并向 CMDaemon 进行身份验证
      • 使用 Base View 并向集群管理器进行身份验证
    • 配置文件
  • Base View GUI
    • 集群管理 GUI 服务
      • Base View 登录窗口
      • Base View 连接时的默认显示
    • 使用 Base View 导航集群
      • 设置
      • 其他选项卡信息
  • 集群管理 Shell
    • 调用 cmsh
      • cmsh 中的批处理模式和管道
      • cmsh 的点文件和 /etc/cmshrc 文件
      • 在 cmsh 中定义命令别名
      • cmsh 中的内置别名
      • cmsh 中的自动别名
      • cmsh 脚本中的默认参数
      • cmsh 选项
    • cmsh 中的级别、模式、帮助和命令语法
      • 在 cmsh 中浏览模式和对象
    • 使用对象
      • use 和 exit
      • add、commit 和 remove
      • clone、modified 和 swap
      • get、set 和 refresh
      • clear
      • list、format 和 sort
      • append 和 removefrom
      • usedby
      • validate
      • show
      • assign 和 unassign
      • import
    • 高级 cmsh 功能
      • CLI 编辑
      • 历史记录和时间戳
      • 混合使用 cmsh 和 Unix Shell 命令
      • 输出重定向
      • 输入重定向
      • ssh
      • time
      • watch
      • foreach
      • 节点列表语法
      • groupingsyntax
      • range
      • bookmark
      • rename
      • 在脚本中使用 CMDaemon 环境变量
      • 使用 cmsh 将表转换为 JSON
• 集群管理守护程序
  • 控制 CMDaemon
  • 配置 CMDaemon
    • CMDaemon 版本
  • 配置 CMDaemon 日志记录
    • CMDaemon 日志配置全局调试模式
    • CMDaemon 子系统日志配置调试模式
      • CMDaemon 子系统日志配置严重级别
      • CMDaemon 子系统日志配置部署
  • 配置文件修改和 FrozenFile 指令
  • 配置文件优先级
• 用户管理
  • 使用 Base View 管理用户和组
  • 使用 cmsh 管理用户和组
    • 添加用户
    • 保存修改后的状态
    • 编辑用户和组的属性
      • 使用 set 和 clear 编辑用户
      • 使用 append 和 removefrom 编辑组
    • 恢复到未修改的状态
    • 删除用户
  • LDAP
  • 令牌和配置文件
    • 修改配置文件
    • 使用配置文件创建自定义证书
      • 使用 cmsh 列出证书
      • 使用 Base View 列出证书
      • 节点证书
      • 创建自定义证书
      • 为 cmsh 用户创建新证书
      • 将用户与新自定义证书的路径关联
      • 为 Base View 用户创建自定义证书
    • 记录 CMDaemon 用户的操作
      • 使用 cm component-certificate 为节点创建证书
    • 计算节点 LDAP PEM 和密钥创建
• 管理 Slurm
  • 简介
  • 检查节点状态
  • 显示详细节点信息
  • 隔离节点
  • 更新 Slurm 配置
  • Slurm Prolog 和 Epilog
    • Prolog 和 Epilog 脚本的详细信息
    • Prolog 和 Epilog 脚本的工作负载管理器配置
  • 列出队列中的 Slurm 作业
  • 取消 Slurm 作业
  • 管理作业的参数
    • 其他资源
• 监控集群设备
  • 基本监控示例和操作
    • 基本监控示例概要
    • 设置组件
      • 运行人工负载
      • 设置 Kill 操作
    • 使用基本监控示例
      • 将操作添加到操作列表
      • 在登录节点上使用 CPUUser 设置触发器
      • 结果
  • 监控概念和定义
    • 可测量项
      • 可测量项的类型
      • 无数据和可测量项
      • 实体和可测量项
      • 列出实体使用的可测量项
      • 从监控模式列出可测量项
      • 在监控模式下查看可测量项的参数
      • 枚举指标
      • 指标
    • 健康检查
      • 健康检查
      • 所有已配置的健康检查
      • 实体的已配置健康检查
      • 健康检查的严重级别以及覆盖它们
      • 健康检查和触发器的默认模板
    • 触发器
    • 操作
    • 严重性
    • 警报级别
    • 抖动
    • 数据生产者
    • Base View 的主要监控界面
  • 使用 Base View 进行监控可视化
    • 监控窗口
      • 查找和选择要绘制的可测量项
      • 绘制可测量项
• 管理高速互连
  • 验证 UFM 是否正在运行
• 系统健康检查和调试
  • 收集日志文件
    • 日志子系统
    • 增加日志详细程度
    • 全局调试模式
    • LOGPREFIX
• 节点配置
  • 使用 cmsh 设置角色
  • 使用 Base View 设置角色
  • 内务处理
    • 配置节点选择
    • 限制配置任务
    • 配置任务延迟和失败
    • 角色更改通知
    • 角色隔离和取消隔离节点
    • 配置节点更新安全措施
      • 将 fspart 子目录同步到配置节点
• 产品安全
• 备份
  • 集群安装备份
  • 本地数据库和数据备份与恢复
    • 数据库损坏和修复
    • 从本地备份恢复
    • 克隆数据库
    • 克隆额外数据库

通知

• 通知
  • 注意事项
  • 商标
  • 版权