К основному содержанию
скилл CX Codex официальный · Google

gke-ai-troubleshooting-tpu-mxla-hang — скилл для Claude Code

Диагностирует зависания multi-slice обучения на Cloud TPU в GKE по логам HANG_DETECTED. Помогает найти причину сбоя в XLA-компиляторе, передаче данных или оборудовании.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add google/skills --skill gke-ai-troubleshooting-tpu-mxla-hang -a claude-code
Открыть на GitHub

Что делает gke-ai-troubleshooting-tpu-mxla-hang

Скилл исследует зависания распределённого обучения на нескольких срезах Cloud TPU в кластерах GKE. Он анализирует отчёты MXLA Hang Analyzer через команду gcloud alpha mldiagnostics monitored-events и сопоставляет их с минутными метриками задержки kubernetes.io/container/multislice/*. Это разделяет программные расхождения XLA или задержки ввода хоста от физических сбоев чипов TPU, SparseCore, ICI и сетевой фабрики.

Для работы нужны gcloud с компонентом alpha, утилита kubectl, а также активные API container.googleapis.com, logging.googleapis.com, monitoring.googleapis.com и hypercomputecluster.googleapis.com. Скилл рассчитан строго на JAX-нагрузки типов jobset и job в GKE версии от 1.36.0-gke.4681000 с LibTPU не ниже 0.40.0. Для проектов на PyTorch диагностика событий не сработает.

Агент выполняет только диагностические запросы на чтение и не модифицирует кластер. Все исправления вроде замены или перезапуска нод передаются пользователю в виде готовых рекомендаций.

Какие задачи решает

  • Локализовать причину появления логов HANG_DETECTED в TPU-задачах
  • Отличить рассинхронизацию компиляции XLA от поломки интерконнекта ICI
  • Проверить минутные метрики задержки multi-slice контейнеров в Cloud Monitoring
  • Получить отчёт MXLA Hang Analyzer через gcloud alpha mldiagnostics

Примеры запросов агенту

  • Проверь зависание multi-slice обучения TPU и события HANG_DETECTED в проекте {project_id}
  • Запусти диагностику MXLA Hang Analyzer для задачи JAX в кластере GKE
  • Выясни по метрикам multislice, почему остановились шаги обучения на срезах TPU

Как установить gke-ai-troubleshooting-tpu-mxla-hang

1Через Skills CLI (Vercel)

npx skills add google/skills --skill gke-ai-troubleshooting-tpu-mxla-hang -a claude-code

2Вручную: положить файлы

~/.claude/skills/gke-ai-troubleshooting-tpu-mxla-hang/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/gke-ai-troubleshooting-tpu-mxla-hang/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о gke-ai-troubleshooting-tpu-mxla-hang

Как установить gke-ai-troubleshooting-tpu-mxla-hang в Claude Code?

Выполните команду npx skills add google/skills --skill gke-ai-troubleshooting-tpu-mxla-hang -a claude-code в терминале.

Что делает gke-ai-troubleshooting-tpu-mxla-hang?

Анализирует зависания multi-slice обучения на TPU, связывая события HANG_DETECTED, метрики latency и отчёты MXLA Hang Analyzer для поиска сбоев в коде или железе.

Подходит ли этот скилл для моделей на PyTorch?

Нет, инструмент ML Diagnostics поддерживает только JAX на TPU. Для рабочих нагрузок на PyTorch или других нестандартных ресурсах CLI gcloud alpha mldiagnostics не сформирует список событий и запусков.

Исходный текст

SKILL.md · Apache-2.0
---
name: gke-ai-troubleshooting-tpu-mxla-hang
description: >-
  Diagnose GKE Cloud TPU multi-slice training hangs (Megascale `HANG_DETECTED`
  logs and hang monitored events) using the ML Diagnostics `Megascale XLA (MXLA)
  Hang Analyzer` (`gcloud alpha mldiagnostics monitored-events`) and 1-minute
  Cloud Monitoring multi-slice latency metrics
  (`kubernetes.io/container/multislice/*`). Distinguishes XLA compiler/HLO
  launch divergence and host data-input stalls from TPU chip, SparseCore, ICI,
  or network fabric faults. Use when multi-slice TPU training jobs freeze
  without progressing steps, emit `HANG_DETECTED`, or stall in collective
  operations. Don't use for gradual step-time throughput drops without hangs
  (use gke-ai-troubleshooting-tpu-performance-degradation) or pod
  preemption/eviction restarts (use gke-ai-troubleshooting-jobset-interruption).
metadata:
  version: "1.0.1"
  category: AiAndMachineLearning
---

# Troubleshoot GKE TPU multi-slice hangs with the MXLA Hang Analyzer

Diagnose Cloud TPU multi-slice training hangs on Google Kubernetes Engine (GKE)
by correlating Megascale `HANG_DETECTED` logs and **ML Diagnostics Workload
Monitoring** `Megascale XLA (MXLA) Hang Analyzer` reports with **1-minute
multi-slice latency metrics** (`kubernetes.io/container/multislice/*`) and GKE
node topology labels.

---

## Attribution

**MUST READ**: Before executing any `gcloud`, REST API, or MCP command, you
MUST read [Usage Attribution](references/attribution.md). For commands executed
directly in the terminal (never in generated scripts, Terraform, or user code),
prefix `gcloud` with
`CLOUDSDK_METRICS_REQUEST_ATTRIBUTION="agent-skills/1.0 (skill:gke-ai-troubleshooting-tpu-mxla-hang)"`
and append `agent-skills/1.0 (skill:gke-ai-troubleshooting-tpu-mxla-hang)` to `User-Agent` headers.

## Prerequisites

- **Tools**: Install the
  [Google Cloud SDK](https://cloud.google.com/sdk/docs/install) (`gcloud` with
  `alpha` component for `gcloud alpha mldiagnostics`) and `kubectl`.
- **Cloud Billing & Project Configuration**: Verify an active billing account is
  linked (`gcloud billing projects describe {project_id}`), authenticate
  (`gcloud auth login`), set the target project (`gcloud config set project
  {project_id}`), and ensure `container.googleapis.com`,
  `logging.googleapis.com`, `monitoring.googleapis.com`, and
  `hypercomputecluster.googleapis.com` are enabled.
- **Supported workloads and versions**: Google Cloud ML Diagnostics only
  supports JAX on TPUs (see
  [ML Diagnostics platform](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/overview.md.txt)).
  Workload Monitoring is enabled by default, supports the `jobset` and `job` GKE
  job types, and is compatible with GKE versions `1.36.0-gke.4681000` and later
  ([Configure GKE for ML Diagnostics](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/gke.md.txt),
  which also covers the cluster setup needed for on-demand profiling in Step 4
  Path B). If a workload uses another framework (such as PyTorch) or another
  custom resource type, `gcloud alpha mldiagnostics` won't list ML runs or
  monitored events for it. The Megascale XLA hang analyzer and Megascale XLA
  metrics require LibTPU `0.40.0` or later (see "Get started" in
  [Workload monitoring with ML Diagnostics](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/workload-monitoring.md.txt)).
- **Required IAM Roles**:
  - Cluster Director Editor (`roles/hypercomputecluster.editor`), the role
    listed in the "IAM permissions" section of
    [ML Diagnostics platform](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/overview.md.txt),
    for the ML Diagnostics CLI and API calls in this skill (ML runs, monitored
    events, and on-demand profiler sessions)
  - Monitoring Viewer (`roles/monitoring.viewer`) for the PromQL queries in Step
    2
  - Logs Viewer (`roles/logging.viewer`) for the Cloud Logging query in Step 1
  - Kubernetes Engine Viewer (`roles/container.viewer`) for the `kubectl get
    nodes` query in Step 3
  - For remediation (`[High Risk]` steps): Kubernetes Engine Cluster Admin
    (`roles/container.clusterAdmin`)
- **Reference Documentation**:
  - [ML Diagnostics platform](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/overview.md.txt)
    (Sections: "IAM permissions")
  - [Configure GKE for ML Diagnostics](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/gke.md.txt)
    (Sections: "Set up with gcloud CLI, Google Cloud console, or Terraform",
    "Manual installation", "Connection-operator")
  - [Workload monitoring with ML Diagnostics](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/workload-monitoring.md.txt)
    (Sections: "Get started", "Megascale XLA (MXLA) Hang Analyzer", "Access
    Workload Monitoring information through the API", "System Metrics")
  - [Get started with the ML Diagnostics CLI](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/cli.md.txt)
    (Sections: "List machine learning runs", "Monitored-events commands", "List
    profiler targets", "Capture on-demand profiler sessions")
  - [Get support](https://docs.cloud.google.com/kubernetes-engine/docs/getting-support.md.txt)
    (Sections: "Before you contact support")
  - [Auto-repair nodes](https://docs.cloud.google.com/kubernetes-engine/docs/how-to/node-auto-repair.md.txt)
    (Sections: "Repair criteria", "Verify node auto-repair is enabled for a
    Standard node pool", "Enable auto-repair for an existing Standard node
    pool", "Node auto repair in TPU slice nodes")
  - [Deploy TPU workloads in GKE Standard](https://docs.cloud.google.com/kubernetes-engine/docs/how-to/tpus.md.txt)
    (Sections: "Configure auto repair for TPU slice nodes")
  - [Dump HLO Computations (OpenXLA)](https://openxla.org/xla/hlo_dumps)

> **Read-only rule**: Run read-only diagnostic commands only. Never drain,
> delete, or re-create nodes, or run any other command that changes the cluster.
> Give the user any fix to apply themselves.

When you recommend a fix, link the doc section that describes it.

---

## MXLA Hang Analyzer routing overview

A Megascale hang occurs when a multi-slice worker has waited on a Megascale
communication operation for a set timeout period. The TPU logs then show a
Megascale `HANG_DETECTED` message. `HANG_DETECTED` is a catch-all signal that
the workload isn't progressing, and the cause can be in software or in hardware.
When a hang occurs, ML Diagnostics runs the `Megascale XLA (MXLA) Hang
Analyzer`, which reports the likely cause as a code. Consult the
[Megascale XLA (MXLA) Hang Analyzer](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/workload-monitoring.md.txt)
section for the definition and recommended action of each code, and route by
category:

- **Category A: compiler or HLO divergence (never cordon or replace nodes)**:
  - When the analyzer reports different HLO modules, inconsistent HLO
    compilation, or an inconsistent launch order across VMs (such as
    `FINGERPRINT_MISMATCH`), route to
    [Path A: Compiler or HLO divergence](references/path-a-compiler-hlo-divergence.md).
- **Category B: host program queueing or data input stall (never cordon or
  replace nodes)**:
  - When the analyzer reports that VMs aren't queuing programs to the TPU or
    that data input stalled (such as `DATA_INPUT_STALL`), route to
    [Path B: Host program queueing or data input stall](references/path-b-program-queueing-input-stall.md).
- **Category C: hardware or network faults on specific instances**:
  - When the analyzer attributes the hang to a TPU chip, SparseCore, ICI, or DCN
    networking issue, or to an unrecoverable error on specific instances, route
    to
    [Path C: Hardware or network faults](references/path-c-hardware-network-faults.md).
- **Category D: hang signal or event exists, but the analyzer is `NOT_DETECTED`
  or reports `UNKNOWN`**:
  - When `HANG_DETECTED` logs or a hang monitored event fired, but the analyzer
    report has `detectionState: "NOT_DETECTED"` or reports `UNKNOWN` ("The MXLA
    hang was detected but a potential cause is not determined"), route to
    [Path D: No DETECTED analyzer or UNKNOWN cause](references/path-d-no-detected-or-unknown.md).

---

## Diagnostic workflow

### Step 0: Collect context and set the investigation window `[Low Risk]`

Collect the target parameters. By default, query a 60-minute window `[T - 30m, T
+ 30m]` around `{issue_time}`:

- `{project_id}`: Google Cloud project ID
- `{location}`: Google Cloud region where the ML run and GKE cluster reside (for
  example, `us-central1`)
- `{cluster_name}`: GKE cluster name
- `{namespace}` / `{workload_name}`: Kubernetes namespace and JobSet/Pod prefix
- `{ml_run_id}`: ML Diagnostics run ID
- `{issue_time}`: Timestamp when the hang occurred (`T`, ISO-8601 UTC)
- `{start_time}`: `T - 30m`
- `{end_time}`: `T + 30m`

---

### Step 1: Query `HANG_DETECTED` logs and hang events `[Low Risk]`

1. **Check GKE container logs for `HANG_DETECTED` (read-only Cloud Logging
   LQL)**: Query `k8s_container` logs over `[{start_time}, {end_time}]` to
   confirm `HANG_DETECTED` and identify the first stalled pods:

```sql
resource.type="k8s_container"
resource.labels.project_id="{project_id}"
resource.labels.cluster_name="{cluster_name}"
"HANG_DETECTED"
timestamp >= "{start_time}" AND timestamp <= "{end_time}"
```

2. **List active or recent ML runs**: Follow the
   [List machine learning runs](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/cli.md.txt)
   section of the ML Diagnostics CLI reference (`gcloud alpha mldiagnostics
   machine-learning-run list`) to identify `{ml_run_id}`.
3. **List and describe hang monitored events**: Follow the
   [Monitored-events commands](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/cli.md.txt)
   section (`gcloud alpha mldiagnostics monitored-events list` and `gcloud alpha
   mldiagnostics monitored-events describe`) or
   [Access Workload Monitoring information through the API](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/workload-monitoring.md.txt)
   to inspect the `Megascale XLA (MXLA) Hang Analyzer` report (`detectionState`,
   `details`, and `recommendedActions`).
   - If `HANG_DETECTED` logs or a hang monitored event fired, run Step 2 to
     correlate with the 1-minute metrics; if no analyzer reports
     `detectionState: "DETECTED"` or the analyzer reports `UNKNOWN`, follow
     [Path D: No DETECTED analyzer or UNKNOWN cause](references/path-d-no-detected-or-unknown.md).
   - If no `HANG_DETECTED` log or hang monitored event exists and multi-slice
     latencies are normal in Step 2, **rule out** an MXLA hang by following
     [Path E: Healthy telemetry](references/path-e-healthy-telemetry.md).

---

### Step 2: Correlate with 1-minute multi-slice and TPU metrics `[Low Risk]`

Consult the
[System Metrics](https://docs.cloud.google.com/tpu/docs/ml-diagnostics/workload-monitoring.md.txt)
section of the Workload Monitoring guide for the 1-minute multi-slice network
(`kubernetes.io/container/multislice/network/*`), multi-slice accelerator
(`kubernetes.io/container/multislice/accelerator/*`), and node duty-cycle
(`kubernetes.io/node/accelerator/duty_cycle`) metrics, and run read-only PromQL
queries over `[{start_time}, {end_time}]`:

```promql
# 1. P95 multi-slice collective end-to-end latency by pod
histogram_quantile(
  0.95,
  sum by (pod_name, le) (
    rate(kubernetes_io:container_multislice_network_collective_end_to_end_latencies_bucket{
      monitored_resource="k8s_container",
      project_id="{project_id}",
      cluster_name="{cluster_name}"
    }[5m])
  )
)

# 2. P95 multi-slice DCN transfer latency by pod
histogram_quantile(
  0.95,
  sum by (pod_name, le) (
    rate(kubernetes_io:container_multislice_network_dcn_transfer_latencies_bucket{
      monitored_resource="k8s_container",
      project_id="{project_id}",
      cluster_name="{cluster_name}"
    }[5m])
  )
)

# 3. P95 host-to-device transfer latency by pod
histogram_quantile(
  0.95,
  sum by (pod_name, le) (
    rate(kubernetes_io:container_multislice_accelerator_host_to_device_transfer_latencies_bucket{
      monitored_resource="k8s_container",
      project_id="{project_id}",
      cluster_name="{cluster_name}"
    }[5m])
  )
)

# 4. Node TPU duty cycle (Workload Monitoring detects a hang as a prolonged
#    period of minimal to no TPU activity)
kubernetes_io:node_accelerator_duty_cycle{
  monitored_resource="k8s_node",
  project_id="{project_id}",
  cluster_name="{cluster_name}"
}
```

---

### Step 3: Map culprit Compute Engine instance IDs to GKE nodes `[Low Risk]`

When the `Megascale XLA (MXLA) Hang Analyzer` reports culprit numeric Compute
Engine instance IDs in `details` or `recommendedActions`, map those numeric IDs
to GKE `Node` names and physical topology blocks using this read-only `kubectl`
query inspecting `container.googleapis.com/instance_id`:

```bash
kubectl get nodes -l cloud.google.com/gke-tpu-accelerator \
  -o jsonpath='{range .items[*]}{.metadata.name}{"\tinstance_id="}{.metadata.annotations.container\.googleapis\.com/instance_id}{"\tblock="}{.metadata.labels.cloud\.google\.com/gce-topology-block}{"\tsubblock="}{.metadata.labels.cloud\.google\.com/gce-topology-subblock}{"\thost="}{.metadata.labels.cloud\.google\.com/gce-topology-host}{"\n"}{end}'
```

---

### Step 4: Remediation by root-cause category

Load and follow only the reference file that matches the root-cause category
from Step 1:

- **Path A (compiler or HLO divergence — different HLO modules, inconsistent HLO
  compilation, or inconsistent launch order across VMs, such as
  `FINGERPRINT_MISMATCH`)**: Read
  [Path A: Compiler or HLO divergence](references/path-a-compiler-hlo-divergence.md).
- **Path B (host program queueing or data input stall — `PROGRAM_NOT_QUEUED` or
  `DATA_INPUT_STALL`)**: Read
  [Path B: Host program queueing or data input stall](references/path-b-program-queueing-input-stall.md).
- **Path C (hardware, SparseCore, ICI, DCN networking faults, or
  `UNRECOVERABLE_ERROR` on specific instances)**: Read
  [Path C: Hardware or network faults](references/path-c-hardware-network-faults.md).
- **Path D (`HANG_DETECTED` logs or hang event fired, but the analyzer is
  `NOT_DETECTED` or reports `UNKNOWN`)**: Read
  [Path D: No DETECTED analyzer or UNKNOWN cause](references/path-d-no-detected-or-unknown.md).
- **Path E (no `HANG_DETECTED` logs or hang events, and steady telemetry)**:
  Read [Path E: Healthy telemetry](references/path-e-healthy-telemetry.md).

---

## Guardrails

1. **Never change GKE-managed instance groups or VMs through Compute Engine**:
   Don't run `gcloud compute instance-groups managed` commands, such as
   `delete`, on a node pool's managed instance group. Handle nodes through GKE,
   as described in
   [Path C: Hardware or network faults](references/path-c-hardware-network-faults.md).
2. **Never cordon or replace nodes for compiler divergence or input stalls**: If
   the analyzer reports a compiler or HLO divergence, a program queueing issue,
   or a data input stall, don't cordon or replace TPU nodes. Follow
   [Path A: Compiler or HLO divergence](references/path-a-compiler-hlo-divergence.md)
   or
   [Path B: Host program queueing or data input stall](references/path-b-program-queueing-input-stall.md)
   instead.

© google · Apache-2.0 · google/skills

Похожие скиллы

Всё по теме «Облака: AWS, Azure, GCP» →
caveman-manage JuliusBrussee Проверяет состояние и результаты экспериментов Caveman Cloud, предлагает одно действие или блокирует рискованный запрос. Нужен перед запуском, одобрением, отменой или откатом. CX Codex +1 104 200установок workers-best-practices cloudflare Скилл настраивает ИИ на проверку продакшен-кода Cloudflare Workers по актуальным правилам рантайма, типам Wrangler и антипаттернам. CX Codex +1 126 100установок cloudflare-email-service cloudflare Скилл для работы с Cloudflare Email Sending и Email Routing: помогает настроить отправку и приём писем в Workers. CX Codex +1 102 300установок cloudflare-one cloudflare Помогает агенту проектировать, настраивать и разбирать развёртывания Cloudflare One Zero Trust и SASE. Пригодится, когда нужно спланировать Access, Gateway или туннели без похода в документацию вручную. CX Codex +1 93 100установок cloudflare-one-migrations cloudflare Помогает спланировать переход с VPN, SWG или SASE на Cloudflare One: сопоставляет политики, находит пробелы и расписывает порядок выката. CX Codex +1 89 500установок

Из того же набора174

Весь набор →
cloud-trace-querying Скилл ищет спаны Cloud Trace, связывает трассировки с Cloud Logging и помогает разбирать задержки в сервисах Google Cloud. CX Codex 835установок gke-ai-troubleshooting-node-unresponsive-timeout Находит причины зависания GPU и TPU нод в GKE со статусом NodeStatusUnknown. Помогает, когда от ноды перестали приходить хартбиты, а поды зависли в Terminating. CX Codex 810установок sign-in-with-google-web Помогает настроить вход через Google Identity Services на вебе. Защищает токены и закрывает уязвимости авторизации по стандартам IETF. CX Codex 743установок google-cloud-scc-remediation Скилл помогает разбирать и исправлять находки Google Cloud Security Command Center: от IAM до ошибок конфигурации ресурсов. Нужен при работе с конкретным finding. CX Codex 742установок gke-ai-troubleshooting-tpu-performance-degradation Скилл разбирает падение пропускной способности обучения на Cloud TPU в GKE и помогает отделить аппаратные и сетевые причины от нехватки ресурсов. Подойдёт, когда задания продолжают работать, но шаги замедлились. CX Codex 691установок migrate-to-rust Скилл переносит кодовые базы C++, Fortran, Java, Python и C на безопасный Rust с замерами производительности. CX Codex 538установок cloud-monitoring-notification-channels-configuration Генерирует Terraform-конфигурации каналов уведомлений Cloud Monitoring и добавляет их в политики оповещений. Подойдёт для настройки email, SMS, Slack, PagerDuty, Pub/Sub и webhook. CX Codex 502установок api-gateway-mcp-server Настраивает Google Cloud API Gateway как удалённый MCP-сервер по HTTP. Превращает REST-эндпоинты в инструменты ИИ-агентов через спецификации OpenAPI 3.x. CX Codex 499установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой