API服务变更
DescribeRtcUserCntData 查询应用在一段时间内的活跃用户数（发生通信的用户终端数）。DescribeRtcChannelCntData 查询应用在一段时间内的活跃频道数（发生通信的频道数）。DescribeRtcPeakUserCntData 查询应用在一段时间内的并发通信峰值...
EasyCkpt：AI大模型高性能状态保存恢复
因此，在发生故障时，迫切需要一种以低成本的方法来保存最新的Checkpoint。这样在重新启动训练时就无需重复计算，从而减少时间和成本的浪费。功能介绍 针对频繁故障的情况，PAI通过之前的故障失败场景总结出以下GPU和深度学习场景故障的...
领域模型概述
一对多通信：基于独立身份的设计，同一个主题内的消息可以被多个订阅组处理，每个订阅组都可以拿到全量消息。因此发布订阅模型可以实现一对多通信。传输模型对比 点对点模型和发布订阅模型各有优势，点对点模型更为简单，而发布订阅模型的...
诊断决策树
对于已知的明确故障，可以根据诊断现象，编排诊断决策树，进而故障发生时执行，完成故障定位。对于未知的故障，您可以依据运维经验，编排出常见的排查路径，辅助快速故障定位。新建诊断决策树 登录高可用管理控制台。在左侧导航栏上，单击 ...
设计方案
基于稳定性支柱设计原则，整体稳定性设计方案可参考如下：架构设计原则 软件系统从所有的功能都在一个应用程序内运行的单体应用架构，到不同的功能模块分别部署在不同的服务器上的传统分布式应用架构，再到服务细分通过轻量级的通信机制...
诊断规则
而后，在实际故障发生时，即可执行自动化、标准化的故障排查，并直接输出诊断报告，反馈诊断结果。故障诊断功能有效提升了故障排查效率，实现故障的快速定位与处理。本节将向您介绍诊断规则的相关操作。诊断规则是诊断节点的构成，诊断规则...
云数据库Redis版产品选型必读
选择容灾方案 当云数据库Redis实例因不可预料的原因（例如设备故障、机房断电等）发生故障，容灾机制可用于保障数据的一致性和业务可用性。云数据库Redis提供多种灾备方案供您选择，可满足不同的业务场景。选择大版本 推荐使用更新的大版本...
功能更新记录
本文介绍故障演练Chaos历次发布涉及的功能变更，帮助您了解故障演练的发布动态。2021年10月 功能名称 功能概述 支持资源包类型 支持地域 发布时间 微服务强弱依赖支持Dubbo 在应用强弱依赖治理的基础上，微服务强弱依赖治理功能，通过接入...
什么是Topic
更多通信方式，请参见 物联网平台通信方式概述。设备接入、物模型使用的入门视频，请参见 设备接入。不同协议、不同类型设备接入物联网平台的流程，请参见 设备接入概述。设备端Link SDK的下载方式，请参见 设备接入Link SDK。物模型Topic...
异地双活切流
说明 单元（地域）间通信出现故障，将流量，主数据库全部切换到主单元（地域）。a.MSHA会自动将备单元的流量切零。b.单击 下一步，进入 容灾切换预览，在预览页，可以看到单元前后比例的对比，和 当前切流服务，如果和您预期不符，请返回 ...
共享内存通信（SMC）常见问题
如果您在Alibaba Cloud Linux 3系统中启用了共享内存通信SMC（Shared Memory Communication），且使用过程中遇到无法正常通信、部分端口不可用、对比TCP没有应用性能提升等问题，可以参考本文提供的方案进行排查并解决。启用SMC后应用性能...
网络规划
您可以根据以下两点规划交换机：使用一个VPC时，也请尽量使用至少两个交换机，并且将两个交换机分布在不同可用区，这样当其中一个可用区的交换机发生故障时，可以切换到另一个可用区的交换机，从而实现跨可用区容灾。同一地域不同可用区...
什么是AI分布式训练通信优化库AIACC-ACSpeed
多机间优化 通过ACSpeed优化，可以实现多机之间通信的性能提升，主要体现在高效的AllReduce算法和多流通信优化方面。高效AllReduce算法 问题分析 以V100实例为例，单机内部利用nvlink做P2P通信，带宽高达300 GB/s，而多机网络性能在100 ...
故障演练
确保操作人员熟悉容灾恢复流程，确保在生成站点真正发生故障时，操作人员可以顺畅地进行容灾切换。前提条件 保护组处于 增量复制中 或者已有恢复点之后，您就可以进行故障演练。如何创建跨可用区和跨地域容灾的保护组，请参见 跨可用区容灾...
故障演练
确保操作人员熟悉容灾恢复流程，确保在生成站点真正发生故障时，操作人员可以顺畅地进行容灾切换。前提条件 保护组处于 增量复制中 或者已有恢复点之后，您就可以进行故障演练。如何创建跨可用区和跨地域容灾的保护组，请参见 跨可用区容灾...
实例的节点故障处理机制
副本集架构 副本集实例提供多个节点供用户访问，当其中的某个节点发生故障后，系统会使用Secondary节点或隐藏节点替换故障节点继续提供服务，并对故障节点进行检查与修复。该过程对用户完全透明，可能会产生1次30秒内的连接闪断，建议您在...
组复制简介
数据 强 一致性 在组复制中，事务总是先传输到集群中其他节点，然后写入Binlog文件，这保证无论主节点在什么时刻发生故障，重新启动后数据都不会比集群选出的新主节点多。旧主节点故障重启后，能够自动加回集群，拉取它缺失的Binlog，就...
Postgres CDC（公测中）
即使发生故障，也能采用Exactly Once方式处理。本文为您介绍如何使用Postgres CDC连接器。背景信息 Postgres CDC连接器支持的信息如下。类别 详情 支持类型 源表 说明 您可以使用 JDBC 作为结果表和维表连接器。运行模式 仅支持流模式 数据...
云监控告警
事件名称 事件所属类型 说明 IP流量告警 数据监控告警 您可以设置数据监控报警通知，及时获知指标数据发生的异常，并在发生故障时及时发现问题，缩短故障处理时间，以便尽快恢复业务。连接数告警 QPS告警 状态码告警 DDoS黑洞事件告警 事件...
应用场景
当其中一部分ECS实例发生故障后，CLB 会自动屏蔽故障的ECS实例，将请求分发给正常运行的ECS实例，保证应用系统仍能正常工作。同城容灾（多可用区容灾）为了提供更加稳定可靠的 CLB 服务，CLB 已在各地域部署了多可用区以实现同地域容灾。当...
如何管理故障
更新故障通知：在故障处理的过程中，当故障进展发生变化，包括进度更新、影响恶化、故障等级变化、原因明确、根因定位等场景下，可更新故障过程中的内容，并在 故障详情 页点击更新故障通知，选择需要的故障通告类型，并最终确认发出故障...
查询网络通信距离（NCD）
使用NCD的原因 存在的问题 在特定物理网络拓扑下，不同GPU节点之间的通信时延和可能产生的跨多跳交换机转发引发的哈希不均，都可能导致不同GPU节点之间的通信性能存在较大差异，进而进一步影响模型训练的吞吐差异。解决方法 如上图所示，...
DDH常见问题
同一台宿主机中的不同ECS实例之间进行udp通信时，发送端ECS实例有低概率发生checksum计算错误。如果接收端ECS实例内部对udp报文进行强校验，发现checksum不一致时会直接丢弃报文。您可以在发送端ECS实例内部执行命令 ethtool-K ethx tx off...
FAQs
答：经过测试团队对GTM多次测试验证，当应用服务发生故障时，GTM能在 3分钟左右 准确发现故障并切换。全网故障恢复时间=故障发现时间+全网生效时间。说明 受限于拨测平台探点发生变化和全国各地运营商TTL缓存原因，如使用不同的拨测平台、...
常见问题-FAQ
答：经过测试团队对GTM多次测试验证，当应用服务发生故障时，GTM最快可在1分钟左右准确发现故障并切换。全网故障恢复时间=故障发现时间+全网生效时间。说明 受限于拨测平台探点发生变化和全国各地运营商TTL缓存原因，如使用不同的拨测平台...
产品简介
当前事件：当发生涉及区域性或多产品的故障时，阿里云健康看板会在页面头部重点显示事件信息。事件详情：每个事件都会尽可能详细的描述（受影响产品、受影响地域，事件进展、问题报告等），以帮助客户理解其对自身应用程序和服务的影响程度...
托管节点池节点自动恢复
当节点的运行状态发生变化并持续一段时间后，ACK将判定该状态符合故障状态，存在节点故障。当发现节点故障时，ACK会根据故障原因触发对应恢复任务，并记录相应的事件。当恢复任务完成后，故障状态解除，节点恢复正常状态。当恢复任务完成后...
应用容灾
当灾难发生时，多活系统可以分钟级内实现业务流量切换，用户甚至感受不到灾难发生。“同城多活架构”和“异地多活架构”（代号“单元化”）都是典型的应用多活实现技术。应用多活的优势 分钟级RTO：恢复时间快，阿里内部生产级别恢复时间...
SanityCheck：算力健康检测
功能介绍 在执行DLC任务时，可能会遇到以下问题：在任务花费一定时间加载模型Checkpoint或其他初始化操作后，由于申请的资源存在故障，无法顺利开始训练，需要调查定位故障问题并重新提交任务。该过程中会导致GPU资源的浪费。在任务运行...
监控、诊断和故障排除
相对于传统应用程序，开发云端应用虽然降低了用户在基础设施搭建、运维等方面的成本，但却增大了监控、诊断和故障排查的难度。OSS存储服务为您提供了丰富的监控和日志信息，帮助您深刻洞察程序行为，及时发现并快速定位问题。本文主要描述...
发布日志
优化多次快速离会和入会代码逻辑，修复快速离会和入会导致的报错和误报问题。修复远端数据回调个别参数没有设置问题。补充SDK错误回调埋点。删除信令心跳超时错误类型。V1.17.30@2020-11-14 新增伴奏音乐时长获取、播放进度查询、播放进度...
功能发布记录（2.0）
优化多次快速离会和入会代码逻辑，修复快速离会和入会导致的报错和误报问题。修复远端数据回调个别参数没有设置问题。补充SDK错误回调埋点。删除信令心跳超时错误类型。V1.17.30@2020-11-14 新增伴奏音乐时长获取、播放进度查询、播放进度...
Mesh 常见问题
故障注入未生效 故障注入可能发生在客户端，也可能发生在服务端，通常用来注入一段时间异常或者直接注入异常。注入规则没生效时，先检查自己的注入规则是否配置正确，如客户端注入需填写客户端的应用名，服务端注入需填写服务端的应用名。...
集群高可用架构推荐配置
多可用区的地域：所有托管组件均严格采用多副本、多AZ均衡打散部署策略，确保在单个可用区或节点发生故障时，集群仍然能够正常提供服务。单可用区地域：所有托管组件均严格采用多副本、多节点打散部署策略，确保在单个节点发生故障时，集群...
什么是消息演练
单个或多个模块都可能会有不同类型的故障发生，导致模块不能正常运行，例如Producer无法发送消息，这种场景叫做消息的演练场景。需要注意的是演练场景仅是组件表象，其内部故障原因可能是多种多样的，需要进一步进行分析。
故障复盘
复盘文档一般包含以下内容：故障简述：故障概述、影响面、处理人等 故障背景：故障发生时的业务链路 故障时间线：着重强调故障引入、故障发生、故障发现、业务响应、恢复执行、故障恢复几个时间点 故障原因分析：建议先一句话总结，再进行...
开通备份恢复
说明 数据恢复点目标（Recovery Point Objective，简称RPO），指应用发生故障时预期的数据丢失量。例如，RPO为15分钟，表示在应用发生故障时，最近15分钟的数据无法在云上恢复。默认全库备份，支持对单个表或多个表进行备份恢复。指定时间...
云盘恢复
当ECS挂载的云盘发生系统故障或者错误操作时，您可以通过云盘在源地域的备份点或者复制到目标地域后的备份点，进行原盘恢复或者创建新盘操作来实现数据恢复。前提条件 已创建ECS整机备份。具体操作，请参见 备份ECS整机。背景信息 云盘恢复...
替换主机
当主机发生故障后，如果您创建 专属集群MyBase 时 主机故障处理策略 选择的是 手动替换主机，则您可以通过手动替换主机来解除故障。前提条件 专属集群MyBase 引擎的为MySQL，且主机存储类型为本地SSD盘。背景信息 当主机发生故障时，系统会...
基于MSE云原生网关实现同城多活
在同城多活的场景下，能够确保对跨可用区的多个业务集群的请求实现高效负载均衡分配，在单个可用区内的业务集群发生故障时，可在1秒内完成故障节点的自动摘除从而实现故障转移，有效的保障服务连续性和高可用性。容灾概述 目前云上容灾主要...
- 产品推荐
- 这些文档可能帮助您