Auf dieser Seite wird beschrieben, wie Sie Probleme für VMs beheben, die auf Compute Engine ausgeführt werden und angehängte GPUs haben.
Wenn Sie versuchen, eine VM mit angehängten GPUs zu erstellen und Fehler erhalten, lesen Sie die Informationen unter Fehler bei der Ressourcenverfügbarkeit beheben und Fehlerbehebung beim Erstellen und Aktualisieren von VMs.
Xid-Nachrichten
Nachdem Sie eine VM mit angehängten GPUs erstellt haben, müssen Sie NVIDIA-Gerätetreiber auf Ihren GPU-VMs installieren, damit Ihre Anwendungen auf die GPUs zugreifen können. Manchmal geben diese Treiber jedoch Fehlermeldungen zurück.
Eine Xid-Meldung ist ein Fehlerbericht vom NVIDIA-Treiber, der im Kernel- oder Ereignislog des Betriebssystems für Ihre Linux-VM ausgegeben wird. Diese Nachrichten werden in der Datei /var/log/messages
abgelegt.
Weitere Informationen zu Xid-Nachrichten und möglichen Ursachen finden Sie in der NVIDIA-Dokumentation.
Der folgende Abschnitt enthält Anleitungen zum Umgang mit einigen Xid-Nachrichten, die nach den häufigsten Typen gruppiert sind: GPU-Arbeitsspeicherfehler, GPU-Systemprozessor-Fehler und Fehler bezüglich ungültigen Arbeits-Speicherzugriff.
GPU-Arbeitsspeicherfehler
GPU-Arbeitsspeicher ist der Speicher, der auf einem GPU-Gerät verfügbar ist und zum temporären Speichern von Daten verwendet werden kann. Der GPU-Arbeits-Speicher ist durch den Fehlerkorrekturcode ECC geschützt, der Single-Bit-Fehler (SBE) erkennt und korrigiert und Double-Bit-Fehler (DBE) erkennt und meldet.
Vor der Veröffentlichung der NVIDIA A100-GPUs wurde die dynamische Seitendeaktivierung unterstützt. Für NVIDIA A100- und neuere GPU-Releases (z. B. NVIDIA H100) wird die Wiederherstellung nach Zeilenneuzuordnungsfehlern eingeführt. ECC ist standardmäßig aktiviert. Google empfiehlt dringend, ECC aktiviert zu lassen.
Im Folgenden sind einige häufige GPU-Arbeits-Speicherfehler und ihre empfohlenen Lösungen aufgeführt.
Xid-Fehlermeldung | Lösung |
---|---|
Xid 48: Double Bit ECC |
|
Xid 63: ECC page retirement or row remapping recording
event |
|
Xid 64: ECC page retirement or row remapper recording
failure
Die Nachricht enthält die folgenden Informationen: Xid 64: All reserved rows for bank are remapped
|
|
Wenn Sie mindestens zwei der folgenden Xid-Nachrichten zusammen erhalten:
Die Nachricht enthält die folgenden Informationen: Xid XX: row remap pending
|
|
Xid 92: High single-bit ECC error rate |
Diese Xid-Nachricht wird zurückgegeben, nachdem der GPU-Treiber einen korrigierbaren Fehler behoben hat. Sie sollte sich nicht auf Ihre Arbeitslasten auswirken. Diese Xid-Nachricht dient nur zur Information. Sie müssen nichts tun. |
Xid 94: Contained ECC error |
|
Xid 95: Uncontained ECC error |
|
GSP-Fehler
Ein GPU-Systemprozessor (GSP) ist ein Mikrocontroller, der auf GPUs ausgeführt wird und einige der untergeordneten Funktionen zur Hardwareverwaltung ausführt.
Xid-Fehlermeldung | Lösung |
---|---|
Xid 119: GSP RPC timeout |
|
Xid 120: GSP error |
Ungültiger Arbeitsspeicherzugriff-Fehler
Die folgenden Xids werden zurückgegeben, wenn Anwendungen illegale Arbeits-Speicherzugriffsprobleme haben:
Xid 13: Graphics Engine Exception
Xid 31: GPU memory page fault
Ungültiger Arbeits-Speicherzugriff-Fehler werden normalerweise dadurch verursacht, dass Arbeitslasten versuchen, auf Arbeitsspeicher zuzugreifen, der bereits freigegeben wurde oder außerhalb des zulässigen Bereichs liegt. Dies kann durch Probleme wie die Dereferenzierung eines ungültigen Zeigers oder durch ein Array außerhalb des gültigen Bereichs verursacht werden.
Zur Behebung dieses Problems müssen Sie Ihre Anwendung debuggen. Zur Fehlerbehebung in der Anwendung können Sie cuda-memcheck und CUDA-GDB verwenden.
In einigen sehr seltenen Fällen kann ein Hardwareverschlechterung dazu führen, dass Fehler zu ungültigem Arbeits-Speicherzugriff zurückgegeben werden. Verwenden Sie den NVIDIA Data Center GPU Manager (DCGM), um festzustellen, ob das Problem auf Ihre Hardware zurückzuführen ist.
Sie können dcgmi diag -r 3
oder dcgmi diag -r 4
ausführen, um verschiedene Level an Testabdeckung und -dauer auszuführen. Wenn Sie feststellen, dass das Problem auf die Hardware zurückzuführen ist, reichen Sie eine Anfrage beim Cloud Customer Care ein.
Weitere häufig auftretende Xid-Fehlermeldungen
Xid-Fehlermeldung | Lösung |
---|---|
Xid 74: NVLINK error |
|
Xid 79: GPU has fallen off the bus
Dies bedeutet, dass der Treiber nicht mit der GPU kommunizieren kann. |
Starten Sie die VM neu. |
GPUs zurücksetzen
Bei einigen Problemen müssen Sie möglicherweise Ihre GPUs zurücksetzen. Führen Sie folgende Schritte aus, um GPUs zurückzusetzen:
- Starten Sie bei N1-, G2- und A2-VMs die VM neu, indem Sie
sudo reboot
ausführen. - Führen Sie für A3-VMs
nvidia-smi reset GPU
aus.
Wenn Fehler nach dem Zurücksetzen der GPU weiterhin bestehen, müssen Sie die VM löschen und neu erstellen.
Wenn der Fehler nach dem Löschen und Neuerstellen weiterhin besteht, reichen Sie einen Fall bei Cloud Customer Care ein, um die VM in die Reparaturphase zu verschieben.