PowerEdge: GPU termal kısıtlaması veya GPU algılanmadı sorunları

• Yüksek iş yükü sırasında GPU performansı düşer.
• GPU saat hızı, donanımı korumak için otomatik olarak düşer.
• GPU sıcaklığı, stresli iş yükleri sırasında yüksek değerlere ulaşır.
• Sistem Olay Günlüğü (SEL), sistem giriş sıcaklığıyla ilgili uyarıları gösterir.
• GPU, işletim sisteminde veya yönetim araçlarında görünmüyor.
• Komut nvidia-smi herhangi bir GPU aygıtı göstermez.
• iDRAC veya BIOS yüklü GPU'yu algılamıyor.

• Yüksek ortam veri merkezi sıcaklığı
• Sunucu rafında yetersiz hava akımı veya tıkalı hava girişi
• Yanlış fan profili veya termal politika ayarları
• GPU, PCIe yuvasına düzgün şekilde oturmamış
• Desteklenmeyen GPU yapılandırması veya bellenim uyumsuzluğu
• Güncel olmayan BIOS, iDRAC veya GPU bellenimi
• GPU modülleri için güç veya kablo bağlantısı sorunları

1. GPU sıcaklığını ve kısıtlama durumunu kontrol edin:

Nvidia GPU'ların GPU performansını ve kısıtlama durumunu kontrol etmek için işletim sisteminde aşağıdaki komutu çalıştırın:

nvidia-smi -q -d performance

Kısıtlama nedenleri "Etkin Değil" olarak gösteriliyorsa, GPU normal şekilde çalışıyordur.

2. Sistem sıcaklığını izleyin:

• iDRAC'ta Sistem Olay Günlüğü'ne (SEL) bakın.
• Sıcaklık uyarıları için Lifecycle Günlüğünü gözden geçirin.
• Sıcaklığa Genel Bakış bölümünden Sistem Giriş Sıcaklığını doğrulayın.

3. Soğutma Koşullarını İyileştirin:

• Veri merkezi ortam sıcaklığının desteklenen sınırlar içinde olduğundan emin olun.
• Raftaki hava akımı tıkanıklıklarını giderin.
• Tüm sistem fanlarının düzgün çalıştığını doğrulayın.
• Uygun hava akışı örtüleri ve GPU soğutma kitleri kullanın.

4. GPU Donanım Kurulumunu Doğrulayın:

• GPU nun PCIe yuvasına düzgün şekilde oturduğundan emin olun.
• GPU güç kablolarını ve konnektörlerini kontrol edin.
• GPU'nun sunucu platformunda desteklendiğinden emin olun.

5. Sistem bellenimini güncelleştirin:

• Sunucu BIOS'unu güncelleştirin.
• IDRAC bellenimini güncelleyin.
• GPU sürücülerini ve bellenimi güncelleyin.

6. GPU Algılamayı Doğrulayın:

Nvidia GPU'nun sistem tarafından algılanıp algılanmadığını kontrol etmek için aşağıdaki komutu kullanın:

nvidia-smi

GPU algılanmazsa BIOS ayarlarını ve donanım kurulumunu kontrol edin.

7. GPU'yu Başka Bir PCIe Yuvasında Test Edin:

GPU algılanmazsa veya performans sorunları yaşamaya devam ederse GPU'yu başka bir uygun PCIe yuvasına takmayı deneyin.

• Sunucuyu kapatın ve güç kablolarının bağlantısını kesin.
• GPU'yu mevcut PCIe yuvasından çıkarın.
• GPU'yu desteklenen başka bir PCIe yuvasına takın.
• Gücü yeniden bağlayın ve sistemi açın.
• Komut kullanılarak GPU'nun algılanıp algılanmadığını kontrol edin nvidia-smi veya iDRAC donanım envanterinden.

GPU başka bir yuvada algılanırsa orijinal PCIe yuvasında bir yapılandırma veya donanım sorunu olabilir.

8. GPU Tanılama Testini Çalıştırın:

Nvidia GPU'nun sağlık durumunu doğrulamak ve olası donanım veya termal sorunları tespit etmek için NVIDIA Data Center GPU Manager (DCGM) tanılama aracını çalıştırın.

1. İşletim sistemine SSH veya konsol üzerinden erişin.
2. Genişletilmiş GPU tanılama testi gerçekleştirmek için aşağıdaki komutu çalıştırın:

sudo dcgmi diag

Bu komut, GPU belleğini, PCIe bağlantısını ve termal davranışı kontrol eden kapsamlı bir tanılama testi gerçekleştirir. Donanım veya performansla ilgili sorunları belirlemek için çıktıyı gözden geçirin.