PowerEdge: XE9680: las GPU desaparecen del host

Los eventos y alertas típicos que indican este problema incluyen los siguientes:

• Se muestran los registros del kernel del host Xid 74 o 79 del controlador NVIDIA. En Linux, Xid Hay mensajes de error /var/log/messages.

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

• Es posible que los registros de Dell Lifecycle informen una PCI1318 Bus Fatal Error:

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

• El problema también puede ser de naturaleza transitoria:
  • Es posible que las GPU vuelvan a aparecer después de un ciclo de apagado y encendido de CA
  • El número y las ranuras en las que desaparecen las GPU pueden cambiar.

Xid y los mensajes de error irrecuperable de bus a menudo se relacionan con PCIe Retimer-Errores relacionados. Estos errores pueden ocurrir debido a problemas de integridad de la señal dentro de la arquitectura PCIe.

Dell lanzó un firmware actualizado del acelerador de GPU. Esta actualización incluye mejoras en PCIe Retimers, que mejoran la integridad de la señal y ayudan a evitar que las GPU se caigan del bus. Como primer paso, se recomienda actualizar al firmware que se indica a continuación o a uno más reciente si hay errores irrecuperables de bus.