PowerEdge: Problemas de regulación térmica de la GPU o GPU no detectada

• El rendimiento de la GPU se reduce durante una carga de trabajo alta.
• La velocidad del reloj de la GPU disminuye automáticamente para proteger el hardware.
• La temperatura de la GPU alcanza valores altos durante las cargas de trabajo forzadas.
• El registro de eventos del sistema (SEL) muestra advertencias relacionadas con la temperatura de entrada del sistema.
• La GPU no aparece en el sistema operativo ni en las herramientas de administración.
• El comando nvidia-smi no muestra ningún dispositivo GPU.
• iDRAC o el BIOS no detecta la GPU instalada.

• Alta temperatura ambiente del centro de datos
• Flujo de aire insuficiente o entrada de aire bloqueada en el rack del servidor
• Configuración incorrecta de la política térmica o del perfil del ventilador
• La GPU no está bien colocada en la ranura PCIe
• Incompatibilidad de firmware o configuración de GPU no compatible
• Firmware de BIOS, iDRAC o GPU obsoleto
• Problemas de alimentación o conexión de cables para módulos de GPU

1. Compruebe la temperatura de la GPU y el estado de la regulación:

Ejecute el siguiente comando en el sistema operativo para comprobar el rendimiento de la GPU y el estado de regulación de las GPU Nvidia:

nvidia-smi -q -d performance

Si los motivos de regulación se muestran como "No activo", la GPU funciona con normalidad.

2. Monitorear la temperatura del sistema:

• Verifique el registro de eventos del sistema (SEL) en iDRAC.
• Revise el registro de Lifecycle para ver las advertencias de temperatura.
• Verifique la temperatura de entrada del sistema en la sección Visión general de la temperatura.

3. Mejora de las condiciones de refrigeración:

• Asegúrese de que la temperatura ambiente del centro de datos se encuentre dentro de los límites admitidos.
• Quite las obstrucciones del flujo de aire en el rack.
• Verifique que todos los ventiladores del sistema funcionen correctamente.
• Utilice cubiertas para flujo de aire y kits de enfriamiento de GPU adecuados.

4. Verifique la instalación del hardware de la GPU:

• Asegúrese de que la GPU esté bien colocada en la ranura PCIe.
• Compruebe los conectores y los cables de alimentación de la GPU.
• Confirme que la GPU sea compatible con la plataforma del servidor.

5. Actualizar firmware del sistema:

• Actualice el BIOS del servidor.
• Actualice el firmware de iDRAC.
• Actualice los controladores y el firmware de la GPU.

6. Verifique la detección de GPU:

Utilice el siguiente comando para comprobar si el sistema detecta la GPU Nvidia:

nvidia-smi

Si no se detecta la GPU, compruebe la configuración del BIOS y la instalación del hardware.

7. Pruebe la GPU en otra ranura PCIe:

Si la GPU no se detecta o continúa experimentando problemas de rendimiento, intente instalar la GPU en otra ranura PCIe disponible.

• Apague el servidor y desconecte los cables de alimentación.
• Quite la GPU de la ranura PCIe actual.
• Instale la GPU en otra ranura PCIe compatible.
• Vuelva a conectar la alimentación y encienda el sistema.
• Compruebe si la GPU se detecta mediante el comando nvidia-smi o desde el inventario de hardware de iDRAC.

Si la GPU se detecta en otra ranura, es posible que la ranura PCIe original tenga un problema de configuración o hardware.

8. Ejecute la prueba de diagnóstico de GPU:

Ejecute la herramienta de diagnóstico NVIDIA Data Center GPU Manager (DCGM) para verificar el estado de la GPU Nvidia y detectar posibles problemas térmicos o de hardware.

1. Acceda al sistema operativo a través de SSH o la consola.
2. Ejecute el siguiente comando para realizar una prueba de diagnóstico de GPU extendida:

sudo dcgmi diag

Este comando realiza una prueba de diagnóstico integral que comprueba la memoria de la GPU, la conectividad PCIe y el comportamiento térmico. Revise el resultado para identificar cualquier problema relacionado con el hardware o el rendimiento.