PowerEdge: GPU: n lämpökuristus- ja tunnistusongelmien vianmääritys

Valmistelu

• Pääsy käyttöjärjestelmään järjestelmänvalvojan oikeuksilla.
• iDRAC:n tai BIOSin kautta järjestelmälokit ja -asetukset voidaan tarkastella.
• Asennettu NVIDIA/CUDA-ajuri ja NVIDIA-smi-apuohjelma
• Fyysinen pääsy palvelimelle laitteistotarkistuksia varten

Tehtävän suorittaminen

1. Tarkista grafiikkasuorittimen lämpötila ja kaasun tila
   • Tarkista grafiikkasuorittimen suorituskyky ja kaasun tila käyttöjärjestelmässä suorittamalla seuraava komento:

     nvidia-smi -q -d performance 

   • Jos kaasun syyt ovat Ei aktiivinen, grafiikkasuoritin toimii normaalisti.
2. Valvo järjestelmän lämpötilaa
   • Tarkista järjestelmän tapahtumaloki (SEL) iDRACissa.
   • Tarkista lämpötilavaroitukset elinkaarilokista.
   • Tarkista järjestelmän tuloilman lämpötila Lämpötilan yleiskatsaus -kohdasta.
3. Jäähdytysolosuhteiden parantaminen
   • Varmista, että konesalin ympäristön lämpötila on tuetuissa rajoissa.
   • Poista mahdolliset ilmavirran tukokset telineestä.
   • Varmista, että kaikki järjestelmän tuulettimet toimivat oikein.
   • Asenna asianmukaiset ilmavirtaussuojukset ja grafiikkasuorittimen mahdolliset jäähdytyssarjat.
4. Tarkista grafiikkasuorittimen laitteiston asennus
   • Varmista, että grafiikkasuoritin on oikein paikallaan PCIe-paikassa.
   • Tarkista virtajohtojen ja liittimien kiinnitys.
   • Sen varmistaminen, että palvelinympäristö tukee grafiikkasuorittimen mallia
5. Päivitä järjestelmän laiteohjelmisto
   • Päivitä palvelimen BIOS uusimpaan versioon.
   • Päivitä iDRAC-laiteohjelmisto uusimpaan versioon.
   • Päivitä grafiikkasuorittimen ohjaimet ja laiteohjelmisto uusimpiin versioihin.
6. Tarkista grafiikkasuorittimen tunnistus
   • Tarkista seuraavalla komennolla, tunnistaako järjestelmä grafiikkasuorittimen:

     nvidia-smi 

   • Jos grafiikkasuoritinta ei havaita, tarkista BIOS-asetukset ja laitteiston asennus.
7. Testaa grafiikkasuoritinta toisessa PCIe-paikassa
   • Sammuta palvelin ja irrota virtajohdot.
   • Poista grafiikkasuoritin nykyisestä PCIe-paikasta.
   • Asenna grafiikkasuoritin toiseen tuettuun PCIe-paikkaan.
   • Kytke virta ja käynnistä järjestelmä.
   • Tarkista tunnistus käyttämällä nvidia-smi tai iDRAC:n laitteistoluettelosta.
   • Jos grafiikkasuoritin havaitaan uudessa paikassa, alkuperäisessä paikassa voi olla määritys- tai laitteisto-ongelma.
8. Suorita grafiikkasuorittimen diagnostiikkatesti
   1. DCGMi-työkalu
      • Katso DCGM-apuohjelma
      • Lisätietoja on artikkelissa PowerEdge: NVIDIA DataCenter GPU Managerin (DCGM) asentaminen ja diagnostiikan suorittaminen
   2. NVIDIA SMI -lokit
      • Suorita# nvidia-smi saadaksesi yhteenvedon grafiikkasuorittimen käytöstä ja tilasta.
      • Suorita# nvidia-smi -q grafiikkasuorittimen yksityiskohtaiset tiedot.
      • Suorita# nvidia-smi nvlink -s nähdäksesi NVLinkin tilan ja virheet.
   3. OS-tason lähdöt
      • Suorita

        # lspci -s 9b: 00.0 -vv

        (korvaa laitetunnus tarpeen mukaan) nähdäksesi grafiikkasuorittimen PCIe-tiedot.)

Vahvistus

• Grafiikkasuorittimen lämpötila pysyy normaalilla toiminta-alueella, ja kaasutila näyttää "Ei aktiivinen"
• GPU näkyy laitteen lähdössä nvidia-smi ja iDRAC:n laitteistoluettelossa.
• Järjestelmän tapahtumalokissa ei ole lämpötilaan liittyviä varoituksia.