「PowerEdge：GPUサーマル スロットルまたはGPUが検出されない問題

• ワークロードが高い場合、GPUのパフォーマンスが低下します。
• GPUクロック スピードは、ハードウェアを保護するために自動的に低下します。
• 負荷の高いワークロード中にGPUの温度が高くなる。
• システム イベント ログ(SEL)に、システムの吸気口温度に関連する警告が表示されます。
• GPUがオペレーティング システムまたは管理ツールに表示されない。
• コマンド nvidia-smi GPUデバイスは表示されません。
• iDRACまたはBIOSが取り付けられているGPUを検出しません。

• データ センターの周囲温度が高い
• サーバー ラック内のエアフローが不十分であるか、吸気口がふさがれている
• ファン プロファイルまたは温度ポリシー設定が正しくない
• GPUがPCIeスロットに正しく装着されていない
• サポートされていないGPU構成またはファームウェアの不整合
• BIOS、iDRAC、GPUファームウェアが古い
• GPUモジュールの電源またはケーブル接続の問題

1.GPUの温度とスロットルのステータスを確認します。

オペレーティング システムで次のコマンドを実行して、NVIDIA GPUのGPUパフォーマンスとスロットル ステータスを確認します。

nvidia-smi -q -d performance

スロットルの理由が「非アクティブ」と表示されている場合、GPUは正常に動作しています。

2.システム温度の監視:

• iDRACでシステム イベント ログ(SEL)を確認します。
• 温度に関する警告については、ライフサイクル ログを確認してください。
• [Temperature Overview]セクションで[System Inlet Temperature]を確認します。

3.冷却条件の改善:

• データセンターの周囲温度がサポートされている制限内であることを確認します。
• ラック内のエアフローの遮断を取り除きます。
• すべてのシステム ファンが正常に機能していることを確認します。
• 適切なエアフロー カバーとGPU冷却キットを使用します。

4.GPUハードウェアの取り付けの確認:

• GPUがPCIeスロットに適切に装着されていることを確認します。
• GPUの電源ケーブルとコネクターを確認します。
• GPUがサーバー プラットフォームでサポートされていることを確認します。

5.システム ファームウェアのアップデート:

• サーバーBIOSをアップデートします。
• iDRACファームウェアをアップデートします。
• GPUドライバーとファームウェアをアップデートします。

6.GPU検出の確認:

次のコマンドを使用して、Nvidia GPUがシステムで検出されているかどうかを確認します。

nvidia-smi

GPUが検出されない場合は、BIOS設定とハードウェアの取り付けを確認してください。

7.別のPCIeスロットでGPUをテストします。

GPUが検出されない場合、またはパフォーマンスの問題が引き続き発生する場合は、別の使用可能なPCIeスロットにGPUを取り付けてみてください。

• サーバーの電源を切り、電源ケーブルを外します。
• 現在のPCIeスロットからGPUを取り外します。
• サポートされている別のPCIeスロットにGPUを取り付けます。
• 電源を再接続し、システムの電源を入れます。
• コマンドを使用してGPUが検出されているかどうかを確認します nvidia-smi またはiDRACハードウェア インベントリーから。

GPUが別のスロットで検出された場合は、元のPCIeスロットに構成またはハードウェアの問題がある可能性があります。

8.GPU診断テストを実行します。

NVIDIA Data Center GPU Manager (DCGM)診断ツールを実行して、NVIDIA GPUの正常性を確認し、潜在的なハードウェアまたは熱の問題を検出します。

1. SSHまたはコンソールを介してオペレーティング システムにアクセスします。
2. 次のコマンドを実行して、拡張GPU診断テストを実行します。

sudo dcgmi diag

このコマンドは、GPUメモリー、PCIe接続、および熱挙動をチェックする包括的な診断テストを実行します。出力を確認して、ハードウェアまたはパフォーマンス関連の問題を特定します。