PowerEdge: Problémy s omezováním teploty nebo nerozpoznáním grafického procesoru

• Výkon grafické karty se při vysoké zátěži snižuje.
• Taktovací frekvence GPU se automaticky snižuje, aby byl chráněn hardware.
• Teplota grafického procesoru dosahuje během zátěžových úloh vysokých hodnot.
• Protokol systémových událostí (SEL) zobrazuje varování týkající se vstupní teploty systému.
• Grafická karta se nezobrazuje v operačním systému ani v nástrojích pro správu.
• Příkaz nvidia-smi Nezobrazuje žádné grafické zařízení.
• Řadič iDRAC nebo BIOS nerozpozná nainstalovanou grafickou kartu.

• Vysoká okolní teplota datového centra
• Nedostatečný průtok nebo zablokovaný přívod vzduchu v serverovém racku
• Nesprávné nastavení profilu ventilátoru nebo zásady chlazení
• Grafická karta není správně usazena ve slotu PCIe.
• Nepodporovaná konfigurace grafické karty nebo neshoda firmwaru
• Zastaralý firmware systému BIOS, řadiče iDRAC nebo grafického procesoru
• Problémy s napájením nebo připojením kabelů pro grafické moduly

1. Kontrola teploty grafického procesoru a stavu omezení výkonu:

Spuštěním následujícího příkazu v operačním systému zkontrolujte výkon grafické karty a stav omezení grafických karet Nvidia:

nvidia-smi -q -d performance

Pokud se důvody omezení plynu zobrazují jako "Neaktivní", grafická karta funguje normálně.

2. Sledování teploty systému:

• Zkontrolujte protokol systémových událostí (SEL) v řadiči iDRAC.
• Kontrola protokolu Lifecycle pro upozornění na teplotu.
• Ověřte vstupní teplotu systému v části Přehled teploty.

3. Zlepšete podmínky chlazení:

• Zajistěte, aby okolní teplota datového centra nedosahovala podporovaných limitů.
• Odstraňte ucpání proudění vzduchu v racku.
• Ověřte, zda všechny systémové ventilátory fungují správně.
• Použijte vhodné kryty proudění vzduchu a chladicí sady grafické karty.

4. Zkontrolujte instalaci hardwaru GPU:

• Ujistěte se, že je grafická karta správně usazena ve slotu PCIe.
• Zkontrolujte napájecí kabely a konektory grafické karty.
• Ověřte, že serverová platforma podporuje grafickou kartu.

5. Aktualizace firmwaru systému:

• Aktualizujte systém BIOS serveru.
• Aktualizace firmwaru řadiče iDRAC
• Aktualizujte ovladače a firmware grafické karty.

6. Ověřte rozpoznání GPU:

Pomocí následujícího příkazu zkontrolujte, zda systém detekuje grafickou kartu Nvidia:

nvidia-smi

Pokud není GPU rozpoznána, zkontrolujte nastavení systému BIOS a instalaci hardwaru.

7. Test grafické karty v jiném slotu PCIe:

Pokud grafickou kartu nelze rozpoznat nebo u ní nadále dochází k problémům s výkonem, zkuste ji nainstalovat do jiného dostupného slotu PCIe.

• Vypněte server a odpojte napájecí kabely.
• Vyjměte grafickou kartu z aktuálního slotu PCIe.
• Nainstalujte grafickou kartu do jiného podporovaného slotu PCIe.
• Znovu připojte napájení a zapněte systém.
• Pomocí následujícího příkazu zkontrolujte, zda je grafická karta rozpoznána nvidia-smi nebo z inventáře hardwaru řadiče iDRAC.

Pokud je grafická karta rozpoznána v jiném slotu, může mít původní slot PCIe problém s konfigurací nebo hardwarem.

8. Spusťte diagnostický test GPU:

Spusťte diagnostický nástroj NVIDIA Data Center GPU Manager (DCGM), jenž ověří stav grafické karty Nvidia a odhalí potenciální problémy s hardwarem nebo chlazením.

1. Přístup k operačnímu systému probíhá přes SSH nebo konzoli.
2. Spuštěním následujícího příkazu proveďte rozšířený diagnostický test GPU:

sudo dcgmi diag

Tento příkaz provede komplexní diagnostický test, který zkontroluje paměť grafické karty, konektivitu PCIe a tepelné chování. Zkontrolujte výstup a identifikujte případné problémy s hardwarem nebo výkonem.