Infrastructure Skypilot 故障排查

# SkyPilot 故障排除指南 ## 安装问题 ### 未找到云凭据 **错误**: `sky check` 显示云服务被禁用 **解决方案**: bash # AWS aws configure # 验证: aws sts get-caller-identity # GCP gcloud auth application-default login # 验证: gcloud auth list # Azure az login az account set -s # Kubernetes export KUBECONFIG=~/.kube/config kubectl get nodes # 配置后重新检查 sky check ### 权限错误 **错误**: `PermissionError` 或 `AccessDenied` **解决方案**: bash # AWS: 确保 IAM 权限包含 EC2, S3, IAM # 所需策略: AmazonEC2FullAccess, AmazonS3FullAccess, IAMFullAccess # GCP: 确保角色包含 Compute Admin, Storage Admin gcloud projects add-iam-policy-binding PROJECT_ID --member="user:[email protected]" --role="roles/compute.admin" # Azure: 确保订阅具有 Contributor 角色 az role assignment create --assignee [email protected] --role Contributor --scope /subscriptions/SUBSCRIPTION_ID ## 集群启动问题 ### 配额超限 **错误**: `Quota exceeded for resource` **解决方案**: yaml # 尝试不同的区域 resources: accelerators: A100:8 any_of: - cloud: gcp region: us-west1 - cloud: gcp region: europe-west4 - cloud: aws region: us-east-1 # 或者向云提供商申请增加配额 bash # 启动前检查配额 sky show-gpus --cloud gcp ### GPU 不可用 **错误**: `No resources available in region` **解决方案**: yaml # 使用回退加速器 resources: accelerators: H100: 8 A100-80GB: 8 A100: 8 any_of: - cloud: gcp - cloud: aws - cloud: azure bash # 检查 GPU 可用性 sky show-gpus A100 sky show-gpus --cloud aws ### 未找到实例类型 **错误**: `Instance type 'xyz' not found` **解决方案**: yaml # 让 SkyPilot 自动选择实例 resources: accelerators: A100:8 cpus: 96+ memory: 512+ # 除非必要，否则不要指定 instance_type ### 集群卡在 INIT 状态 **错误**: 集群保持在 INIT 状态 **解决方案**: bash # 检查集群日志 sky logs mycluster --status # SSH 连接并手动检查 ssh mycluster journalctl -u sky-supervisor # 终止并重试 sky down mycluster sky launch -c mycluster task.yaml ## 设置命令问题 ### 设置脚本失败 **错误**: 设置命令在配置期间失败 **解决方案**: yaml # 添加错误处理和