ascend-dmi

Ascend DMI ツール使用ガイド

Ascend DMI（Ascend Device Management Interface）は、Huawei Ascend NPU デバイスの管理および診断ツールです。

このファイルの手順を必ず順番どおりに実行してください。手順を飛ばしたり、独自に代替策を考案したりしてはいけません。 各手順には明確な合格条件があり、合格しなければ次の手順に進めません。これは参考資料ではなく、必ず従う必要がある操作手順です。

クイック判断：操作の種類に応じて経路を選択

用户请求
  │
  ├─ 信息查询（-v/-i/-c/-h）或眼图测试（--sq）
  │   → 【快速路径】检查 ascend-dmi → 确认参数 → 构建命令 → 直接执行 → 解读输出
  │
  ├─ 性能测试（--bw/-f/-p）或 healthCheck/performanceCheck
  │   → 【标准路径】检查 ascend-dmi + CANN → 确认参数 → 构建命令 → 告知风险并确认 → 执行 → 解读输出
  │
  └─ 压力测试（--dg -s）或 NPU 恢复（-r）
      → 【高风险路径】检查 ascend-dmi + CANN → 确认参数 → 构建命令 → 二次确认 → 检查设备占用 → 执行 → 解读输出

注意：標準経路と高リスク経路のどちらも、コマンドを実行する前に必ず CANN の確認を完了する必要があります。第 2 步を参照してください。

第 1 步：リモートかローカルか？

• ローカル（ユーザーがリモート IP／ホスト名に言及していない場合）：現在のサーバーで直接 ascend-dmi コマンドを実行します

• リモート（ユーザーが IP アドレス、ホスト名、または「リモートサーバー」に言及している場合）：まず remote-server-guide skill を呼び出して接続を確立する必要があります。自分で SSH を試してはいけません。理由：直接 ssh を実行しても、非対話環境ではパスワードを入力できず、認証に失敗します。remote-server-guide は tmux などを使ってパスワード入力を安全に処理します。接続が確立したら、リモートで以降の手順を実行します。

  禁止事項：ssh user@host "command" を直接実行してはいけません。Claude 環境では必ず失敗します（パスワードを入力できないためです）。

第 2 步：環境の確認

環境確認は 2 つの部分に分かれています。コマンドを実行する前に、必ず順番に両方を完了してください。

2a. ascend-dmi の確認

which ascend-dmi && ascend-dmi -v

利用できない場合：

source /usr/local/Ascend/toolbox/set_env.sh
which ascend-dmi

それでも利用できない場合は、[references/environment-setup.md] を読み、手順に従って MindCluster ToolBox をインストールします。

2b. CANN の確認（性能テスト、診断、ストレステストで必須）

帯域幅テスト（--bw）、演算性能テスト（-f）、消費電力テスト（-p）、ヘルスチェック（--dg）、ストレステスト（-s）は、いずれも CANN 環境に依存します。CANN の確認を完了せずにこれらのコマンドを実行すると、必ず失敗します。例外はありません。

検証コマンド（この手順全体を通して、CANN が利用可能かどうかの判断に繰り返し使用します）：

python3 -c "import acl; print(acl.get_soc_name())"

• チップモデル（例：Ascend910B）が出力される = CANN が利用可能 ✓ → 第 3 步へ進みます
• エラーが出る（ModuleNotFoundError、ImportError など）= CANN が利用不可 ✗ → 以下の修復手順を実行します

---

CANN が利用できない場合の修復手順（必ず 1→2→3→4 の順に実行し、手順を飛ばしてはいけません）：

1. まずユーザーに尋ねます。 ユーザーに「CANN はどのパスにインストールされていますか？」と質問し、回答を待ちます。

• ユーザーがパスを提示した場合 → source <路径>/set_env.sh → 検証コマンドを実行 → 合格したら第 3 步へ進みます。失敗した場合は、そのパスを利用できないことをユーザーに伝え、手順 2 に進みます
• ユーザーが分からないと言った場合 → 手順 2 に進みます

2. ユーザーの同意を得てから自動検索します。 まずユーザーに「CANN のパスを自動検索してもよいですか？」と尋ね、同意を得た後、以下の優先順位に従って1 つずつ試します（CANN 8.5.0+ のディレクトリ名は cann、旧バージョンでは ascend-toolkit です）。

優先順位	試すコマンド
②	source /usr/local/Ascend/ascend-toolkit/set_env.sh → 検証
①	source /usr/local/Ascend/cann/set_env.sh → 検証
①	source /home/miniconda3/Ascend/cann/set_env.sh → 検証
③	find /home -path "*/Ascend/cann/set_env.sh" -o -path "*/Ascend/ascend-toolkit/set_env.sh" 2>/dev/null。見つかったパスごとに source → 検証

各優先順位での処理方法はすべて同じです：

source <路径>/set_env.sh → python3 -c "import acl; print(acl.get_soc_name())"
  ├─ 验证通过（输出芯片型号）→ 成功，进入第 3 步
  └─ 验证失败（任何报错）→ 放弃这个路径，尝试下一优先级

「ディレクトリが存在する」ことは「CANN が利用可能である」ことを意味しません。 ディレクトリやファイルが存在すること、set_env.sh を source できることは、いずれも検証コマンドの代わりにはなりません。python3 -c "import acl; print(acl.get_soc_name())" が成功した場合に限り、CANN が利用可能と判断します。検証に失敗した場合は、そのパスを直ちに断念してください。ディレクトリ内にset_env.shファイルが存在しない場合も、そのパスを直ちに断念してください。

3. すべて失敗した場合 → 停止します。 ユーザーに「CANN の自動検索に失敗しました。正確な CANN のインストールパスを提示してください」と伝え、操作を停止してユーザーの返信を待ちます。ascend-dmi コマンドの実行を続けてはいけません。

---

環境の破損やコマンドの実行エラーにつながるため、以下の操作は禁止されています：

• ✗ 手順 1 を飛ばして直接検索する（ユーザーがパスを知っている可能性があり、検索は時間の無駄です）
• ✗ export PATH=...、export PYTHONPATH=...、export LD_LIBRARY_PATH=... を使って環境を手動で組み立てる
• ✗ 検証に失敗した後、同じパスで修復を繰り返し試みる（Python バージョンの変更、pip パッケージのインストール、権限の変更など）
• ✗ /usr/local/Ascend/ascend-toolkit または /usr/local/Ascend/cann ディレクトリが存在するだけで見つかったと判断し、検証コマンドを実行しない
• ✗ すべてのパスで失敗した後も、ascend-dmi のテストコマンドを実行し続ける

第 3 步：テストパラメーターの確認

コマンドを組み立てる前に、具体的なテストパラメーターをユーザーに確認します。ユーザーのリクエストにすでに含まれているパラメーターは、足りないものだけ確認してください。ユーザーがリクエストですべてのパラメーターを明確に指定している場合、再度尋ねる必要はありません。

まず npu-smi info を実行して利用可能なデバイスの一覧を取得し、ユーザーに選択肢を提示します。

テストの種類ごとに確認するパラメーター

帯域幅テスト：

• テストモード：h2d / d2h / d2d / p2p（複数選択可）
• どのカード（デバイス ID）をテストするか、またはすべてのカードをテストするか
• データサイズ（-s）を指定するか。注意：A2/A3 では D2D は -s に対応していません
• P2P の送信元／送信先デバイス（-ds/-dd）を指定するか。指定しない場合は、すべてのデバイス間のマトリックスをテストします

演算性能テスト：

• データ型：fp16 / fp32 / int8 / bf16 / hf32（デフォルトは fp16。対応状況は製品によって異なります。詳しくは [references/constraints.md] を参照してください）
• どのカードをテストするか（-d）、またはシステム全体をテストするか（--all）。両者は相互に排他的です
• 実行回数（--et、デフォルトは 60、単位は 10 万）を調整するか

消費電力テスト：

• テストの種類：edp（推定設計電力）または tdp（熱設計電力）
• テスト時間（--dur、デフォルトは 600 秒）

ヘルスチェック／性能仕様：

• どのカードをテストするか、またはすべてのカードをテストするか

ストレステスト：

• テスト項目：aicore / hbm（オンチップメモリ）/ bandwidth（P2P）/ edp / tdp / aicpu
• どのカードをテストするか。注意：aicpu は単独で実行する必要があり、他の項目と組み合わせることはできません

NPU の復旧：

• どのカードを復旧するか（-d の指定が必須です）

アイダイアグラムテスト：

• テストの種類：pcie / hbm / roce / all
• どのカードをテストするか

第 4 步：コマンドの組み立て

ユーザーが確認したパラメーターに基づき、以下の表に従ってコマンドを組み立てます。

コマンド早見表

操作	コマンドテンプレート	リスク
バージョン	ascend-dmi -v	なし
デバイスの状態	ascend-dmi -i [-b|--dt]	なし
互換性チェック	ascend-dmi -c	なし
アイダイアグラムテスト	ascend-dmi --sq -t pcie|hbm|roce|all [-d ID]	なし
帯域幅テスト	ascend-dmi --bw -t h2d|d2h|d2d|p2p [-d ID] [-s SIZE] [-q]	中
演算性能テスト	ascend-dmi -f -t fp16|fp32|int8|bf16|hf32 [-d ID] [--all] [-q]	中
消費電力テスト	ascend-dmi -p [-pt edp|tdp] [--dur SEC] [-q]	中
ヘルスチェック	ascend-dmi --dg --se healthCheck [-d ID] [-q]	中
性能仕様	ascend-dmi --dg --se performanceCheck [-d ID] [-q]	中
ストレステスト	ascend-dmi --dg --se stressTest [-d ID] [-q] または -s -i ITEM	高
NPU の復旧	ascend-dmi -r -d ID [-q]	高

コマンドとパラメーターの完全な組み合わせは [references/command-cheatsheet.md] を参照してください。各パラメーターの詳しい説明は [references/parameters/] 下の各ファイルを参照してください。

注意事項

• -q パラメーター：中／高リスク操作では、ユーザーの確認後に -q を追加してコマンドラインの対話型プロンプトをスキップします

第 5 步：リスクの確認と実行

无风险操作（信息查询、眼图测试）

直接执行，无需额外确认。

中等风险操作（带宽/算力/功耗测试、健康检查、性能规格）

这些操作会独占 NPU 设备，中断正在运行的训练或推理任务。执行前：

1. 告知用户影响："该测试会独占 NPU，正在运行的训练/推理任务将被中断"
2. 获取用户确认后执行
3. 添加 -q 参数跳过命令行交互提示

高风险操作（压力测试、NPU 恢复）

这些操作可能导致长时间高负载、硬件过热或 NPU 暂时不可用。执行前：

1. 明确告知具体风险（如"压力测试会持续数小时高负载运行，可能触发硬件保护机制"）
2. 检查设备占用：fuser -v /dev/davinci*
3. 要求用户二次确认：确认已停止相关业务、了解风险
4. 添加 -q 参数

详细风险矩阵见 [references/risk-assessment.md]。

第 6 步：解读输出

执行完成后，提取关键指标并给出结论：

带宽测试：关注 Bandwidth(GB/s) 值。典型参考：H2D 20-28 GB/s, D2H 25-30 GB/s, D2D 760-800 GB/s, P2P 25-55 GB/s。注意：D2D 在 A2/A3 上传输大小由 AI Core 决定、不支持 -s 参数；P2P 不指定 -ds/-dd 时输出的是设备间矩阵。

算力测试：关注 TFLOPS/TOPS 值。注意区分测试模式：使用 --all 时，TFLOPS 是整机所有卡的算力总和，不是单卡算力；不带 --all 时才是单卡算力。判断是否达标时必须对应正确的规格（整机规格 = 单卡规格 × 卡数）。如显著低于产品规格，可能是温度过高触发降频。

功耗测试：关注 Power(W) 和 Temperature(°C)。温度应低于 90°C。

诊断测试：PASS = 正常，FAIL = 需处理，SKIP = 当前产品不支持，WARN = 关注警告级别。

详细结果解读方法见 [references/output-interpretation.md]。

资源索引

需要时	读取
安装/配置 ascend-dmi 或 CANN	[references/environment-setup.md]
查看完整命令和参数	[references/command-cheatsheet.md] + [references/parameters/]
详细风险评估	[references/risk-assessment.md]
深入解读测试结果	[references/output-interpretation.md]
使用约束和限制	[references/constraints.md]
命令模板示例	[scripts/templates/]
测试报告模板	[assets/report-template.md]