PowerEdge: XE9680 - GPUs desaparecem do host

Os eventos e alertas típicos que indicam esse problema incluem:

• Logs do kernel do host mostrando Xid 74 e ou 79 do driver NVIDIA. No Linux, Xid As mensagens de erro estão localizadas /var/log/messages.

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

• Os registros do ciclo de vida da Dell podem relatar um PCI1318 Bus Fatal Error:

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

• O problema também pode ser transitório:
  • As GPUs podem aparecer novamente após um ciclo de alimentação CA
  • O número e os slots em que as GPUs desaparecem podem mudar.

Xid e as mensagens de erro fatal de barramento geralmente são relacionadas ao PCIe Retimer-erros relacionados. Esses erros podem ocorrer devido a problemas de integridade de sinal na arquitetura PCIe.

A Dell lançou o firmware atualizado do acelerador de GPU. Esta atualização inclui aprimoramentos na PCIe Retimers, que melhoram a integridade do sinal e ajudam a evitar que as GPUs caiam do barramento. Como primeira etapa, é aconselhável atualizar para o firmware listado abaixo ou mais recente se houver erros fatais de barramento.