PowerEdge: XE9680 – GPUs verschwinden vom Host

Typische Ereignisse und Warnmeldungen, die auf dieses Problem hinweisen, sind:

• Host-Kernel-Protokolle werden angezeigt Xid 74 und/oder 79 vom NVIDIA-Treiber. Unter Linux, Xid Fehlermeldungen sind vorhanden /var/log/messages.

[...] NVRM: Xid (PCI:0000:1a:00): 79, pid='<unknown>', name=<unknown>, GPU has fallen off the bus.

• Dell Lebenszyklusprotokolle melden möglicherweise ein PCI1318 Bus Fatal Errorverwalten:

PCI1318: A fatal error was detected on a component at bus <X> device <Y> function <Z>

• Das Problem kann auch vorübergehender Natur sein:
  • GPUs werden möglicherweise nach einem Aus- und Einschalten wieder angezeigt.
  • Die Anzahl und die Steckplätze, in denen GPUs nicht mehr vorhanden sind, können sich ändern.

Xid und Bus Fatal Fehlermeldungen hängen oft mit PCIe zusammen Retimer-bezogene Fehler. Diese Fehler können aufgrund von Signalintegritätsproblemen innerhalb der PCIe-Architektur auftreten.

Dell hat eine aktualisierte GPU-Beschleuniger-Firmware veröffentlicht. Dieses Update enthält Verbesserungen für PCIe Retimers, die die Signalintegrität verbessern und verhindern, dass GPUs aus dem Bus fallen. Als ersten Schritt ist es ratsam, auf die unten aufgeführte oder neuere Firmware zu aktualisieren, wenn Bus-Fatal-Fehler vorliegen.