PowerEdge: XE9680 - GPU's verdwijnen van host

Typische gebeurtenissen en waarschuwingen die op dit probleem duiden, zijn onder meer:

• Host kernel logs toont: Xid 74 en/of 79 van de NVIDIA-driver. Op Linux, Xid Foutmeldingen zijn binnen /var/log/messages.

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

• Dell LifeCycle Logs kunnen een PCI1318 Bus Fatal Error:

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

• Het probleem kan ook van voorbijgaande aard zijn:
  • GPU's worden mogelijk weer weergegeven na het inschakelen van de netstroom
  • Het aantal en de slots waar GPU's verdwijnen, kunnen veranderen.

Xid en Bus Fatal Error-meldingen zijn vaak gerelateerd aan PCIe Retimer-gerelateerde fouten. Deze fouten kunnen optreden als gevolg van signaalintegriteitsproblemen binnen de PCIe-architectuur.

Dell heeft bijgewerkte firmware voor GPU-versneller uitgebracht. Deze update bevat verbeteringen aan de PCIe Retimers, die de signaalintegriteit verbeteren en helpen voorkomen dat GPU's van de bus vallen. Als eerste stap is het raadzaam om bij te werken naar de firmware die hieronder wordt vermeld of nieuwer als er sprake is van fatale bussen.