在4台A800*8，每台节点有8张mlx网卡，RoCE组网，部署慢节点工具套件。其中，在4节点上容器化部署模型训练基础环境以及llama2-7b训练模型，在node1上容器化部署ctccm服务，并在每一台节点上容器化部署ctccl-profiler服务。

在训练任务代码中调用ctccl-profiler-comm API：

在训练脚本中配置相关环境变量

启动ctccm-slowdetect服务

export PATH="/usr/local/python3/bin:$PATH"（替换为自己的安装路径） &&
ctccm --nnodes 4 --port 8002 --debug

启动所有节点上的ctccl-profiler-net服务

启动分布式训练任务，ctccm会收到任务的逻辑拓扑

ctccm在训练中检测集群中是否存在慢节点，一旦发现慢节点则下发开始收集细粒度的监控信息的控制信号，并做慢节点定位定界。

当计算慢时，ctccm会给出计算慢的TP通信域所包含的rank。

当通信慢时，ctccm会给出慢的QP以及它所对应的网卡对和所在节点。