PowerEdge: XE9680 - Le GPU scompaiono dall host

Gli eventi e gli avvisi tipici che indicano questo problema includono:

• Registri del kernel host visualizzati Xid 74 e/o 79 dal driver NVIDIA. Su Linux, Xid I messaggi di errore sono in /var/log/messages.

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

• I registri del ciclo di vita Dell possono segnalare un PCI1318 Bus Fatal Error:

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

• Il problema può anche essere di natura transitoria:
  • Le GPU potrebbero ripresentarsi dopo un ciclo di alimentazione CA
  • Il numero e gli slot in cui scompaiono le GPU possono cambiare.

Xid e i messaggi di errore irreversibile del bus sono spesso correlati a PCIe Retimer-errori correlati. Questi errori possono verificarsi a causa di problemi di integrità del segnale all'interno dell'architettura PCIe.

Dell ha rilasciato il firmware aggiornato dell'acceleratore GPU. Questo aggiornamento include miglioramenti allo standard PCIe Retimers, che migliorano l'integrità del segnale e aiutano a prevenire la caduta delle GPU dal bus. Come primo passo, è consigliabile aggiornare il firmware elencato di seguito o più recente se sono presenti errori irreversibili del bus.