Resolver problemas de VMs de GPU

---

Nesta página, mostramos como resolver problemas de VMs em execução no Compute Engine que têm GPUs anexadas.

Se estiver tentando criar uma VM com GPUs anexadas e estiver encontrando erros, consulte Como corrigir erros de disponibilidade de recursos e Como resolver problemas de criação e atualização de VMs.

Resolver problemas de VMs de GPU usando DCGM da NVIDIA

O NVIDIA Data Center GPU Manager (DCGM) é um pacote de ferramentas para gerenciar e monitorar GPUs de data center NVIDIA em ambientes de cluster.

Se você quiser usar o DCGM para solucionar problemas no ambiente de GPU, conclua o seguinte:

• Verifique se você está usando o driver mais recente recomendado do NVIDIA para o modelo de GPU está anexado à sua VM. Para analisar as versões do driver, consulte Versões recomendadas do driver NVIDIA.
• Verifique se você instalou a versão mais recente do DCGM. Para instalar a versão mais recente, consulte Instalação do DCGM.

Diagnosticar problemas

Quando você executa um comando de diagnóstico dcgmi, os problemas relatados pelo diagnóstico incluem as próximas etapas para tomar medidas em relação ao problema. O exemplo a seguir mostra a saída acionável do comando dcgmi diag -r memory -j.

{
  ........
   "category":"Hardware",
   "tests":[
      {
         "name":"GPU Memory",
         "results":[
            {
               "gpu_id":"0",
               "info":"GPU 0 Allocated 23376170169
bytes (98.3%)",
               "status":"Fail",
               ""warnings":[
                  {
                     "warning":"Pending page
retirements together with a DBE were detected on GPU 0. Drain the GPU and reset it or reboot the node to resolve this issue.",
                     "error_id":83,
                     "error_category":10,
                     "error_severity":6
                  }
               ]
            }
  .........

No snippet de saída anterior, é possível notar que GPU 0 tem desativações de páginas pendentes causadas por um erro irrecuperável. A saída forneceu o error_id exclusivo e orientações sobre como depurar o problema. Para este exemplo de saída, recomendamos que você drene a GPU e reinicie a VM. Na maioria dos casos, seguir as instruções desta seção da resposta pode ajudar a resolver o problema.

Dica profissional: observe a gravidade do erro. No exemplo, gere um valor de "error_severity":6 corresponde a um DCGM_ERROR_RESET, o que significa que uma redefinição resolve problemas com esse valor de gravidade.

Para uma lista completa dos valores error_severity, revise a seção dcgmErrorSeverity_enum do arquivo dcgm_errors do GitHub.

Abrir um caso de suporte

Se você não conseguir resolver os problemas usando a orientação fornecida pela saída da execução do diagnóstico dcgmi, abra um caso de suporte. Quando você abrir uma consulta ao suporte, será necessário fornecer as seguintes informações:

1. O comando que foi executado e a resposta retornada.

2. Arquivos de registro relevantes, como registros do mecanismo do host e de diagnósticos. Para reunir os arquivos de registro necessários, execute o script gather-dcgm-logs.sh.

   Para uma instalação padrão em sistemas baseados em Debian e RPM, este script fica localizado em /usr/local/dcgm/scripts.

3. Para falhas de dcgmi diag, forneça os arquivos de estatísticas dos plug-ins que falharam. O arquivo de estatísticas usa a seguinte convenção de nomenclatura: stats_PLUGIN_NAME.json.

   Por exemplo, se o plug-in pcie falhar, inclua o arquivo chamado stats_pcie.json.

4. Informações do sistema NVIDIA e estado do driver. Para reunir essas informações, você pode executar o script nvidia-bug-report.sh.

   A execução desse script também ajuda na depuração adicional se o problema for causado por outras dependências da NVIDIA e não por um bug no DCGM.

5. Detalhes sobre as mudanças recentes feitas no seu ambiente que precedem a falha.

Mensagens Xid

Depois de criar uma VM com GPUs anexadas, você precisa instalar drivers de dispositivo NVIDIA nas VMs de GPU para que seus aplicativos possam acessar as GPUs. No entanto, às vezes esses drivers retornam mensagens de erro.

Uma mensagem Xid é um relatório de erros do driver NVIDIA que é impresso no registro do kernel ou no log de eventos do sistema operacional para a VM do Linux. Essas mensagens são colocadas no arquivo /var/log/messages.

Para mais informações sobre mensagens Xid, incluindo possíveis causas, consulte a documentação da NVIDIA.

A seção a seguir contém orientações sobre como lidar com algumas mensagens Xid agrupadas pelos tipos mais comuns: erros de memória da GPU, erros do processador do sistema da GPU (GSP, na sigla em inglês) e erros de acesso ilegal à memória.

Erros de memória da GPU

A memória da GPU é aquela disponível em uma GPU que pode ser usada para armazenamento temporário de dados. A memória da GPU é protegida com o código de correção de erro (ECC, na sigla em inglês), que detecta e corrige erros de bit único (SBE, na sigla em inglês) e detecta e informa erros de bit duplo (DBE, na sigla em inglês).

Antes do lançamento das GPUs NVIDIA A100, a desativação dinâmica de páginas era possível. Na NVIDIA A100 e nas versões de GPU mais recentes (como NVIDIA H100), foi introduzida a recuperação de erro de remapeamento de linhas. O ECC está ativado por padrão. O Google recomenda seriamente manter o ECC ativado.

Confira a seguir os erros comuns de memória da GPU e as resoluções sugeridas.

Mensagem de erro Xid	Resolução
Xid 48: Double Bit ECC	Interrompa suas cargas de trabalho. Exclua e recrie a VM. Se o erro persistir, registre um caso no Cloud Customer Care.
Xid 63: ECC page retirement or row remapping recording event	Interrompa suas cargas de trabalho. Redefina as GPUs.
Xid 64: ECC page retirement or row remapper recording failure E a mensagem contiver as seguintes informações: Xid 64: All reserved rows for bank are remapped	Interrompa suas cargas de trabalho. Exclua e recrie a VM. Se o erro persistir, registre um caso no Cloud Customer Care.
Se você receber pelo menos duas das seguintes mensagens Xid: Xid 48 Xid 63 Xid 64 E a mensagem contiver as seguintes informações: Xid XX: row remap pending	Interrompa suas cargas de trabalho. Redefina as GPUs. Redefinir a GPU permite que o processo de desativação de páginas e o remapeamento de linhas sejam concluídos e corrijam a GPU.
Xid 92: High single-bit ECC error rate	Essa mensagem Xid é retornada depois que o driver da GPU solucione um erro corrigível e não afeta suas cargas de trabalho. Essa mensagem Xid é apenas informativa. Nenhuma ação é necessária.
Xid 94: Contained ECC error	Interrompa suas cargas de trabalho. Redefina as GPUs.
Xid 95: Uncontained ECC error	Interrompa suas cargas de trabalho. Redefina as GPUs.

Erros de GSP

O processador do sistema da GPU (GSP) é um microcontrolador executado em GPUs e desempenha algumas funções de gerenciamento de hardware de baixo nível.

Mensagem de erro Xid	Resolução
Xid 119: GSP RPC timeout	Interrompa suas cargas de trabalho. Exclua e recrie a VM. Se o erro persistir, colete o relatório do bug da NVIDIA e registre um caso no Cloud Customer Care.
Xid 120: GSP error

Erros de acesso ilegal à memória

Os Xids abaixo são retornados quando os aplicativos têm problemas de acesso ilegal à memória:

• Xid 13: Graphics Engine Exception
• Xid 31: GPU memory page fault

Os erros de acesso ilegal à memória geralmente são causados por cargas de trabalho que tentam acessar a memória que já está liberada ou está fora dos limites. Isso pode ser causado por problemas como o desreferenciamento de um ponteiro inválido ou uma matriz de limites externos.

Para resolver esse problema, é preciso depurar seu aplicativo. Para depurar o aplicativo, use cuda-memcheck e CUDA-GDB (links em inglês).

Em alguns casos muito raros, a degradação do hardware pode fazer com que erros de acesso ilegal à memória sejam retornados. Para identificar se o problema é com seu hardware, use o NVIDIA Data Center GPU Manager (DCGM) (link em inglês). Execute dcgmi diag -r 3 ou dcgmi diag -r 4 para executar diferentes níveis de cobertura e duração de teste. Se você identificar que o problema está no hardware, registre um caso no Cloud Customer Care.

Outras mensagens de erro comuns do Xid

Mensagem de erro Xid	Resolução
Xid 74: NVLINK error	Interrompa suas cargas de trabalho. Redefina as GPUs.
Xid 79: GPU has fallen off the bus Isso significa que o driver não pode se comunicar com a GPU.	Reinicialize a VM.

Redefinir GPUs

Alguns problemas podem exigir a redefinição das GPUs. Para redefinir as GPUs, siga as etapas a seguir:

• Para VMs N1, G2 e A2, reinicie a VM executando sudo reboot.
• Para VMs A3, execute sudo nvidia-smi --gpu-reset.

Se os erros persistirem após a redefinição da GPU, será necessário excluir e recriar a VM.

Se o erro persistir após uma exclusão e recriação, registre um caso no Cloud Customer Care para mover a VM para o estágio de reparo.

A seguir

Consulte os tipos de máquina de GPU.