GPU故障处理

前提条件

如需将GPU事件同步上报至AOM，集群中需安装云原生日志采集插件，您可前往AOM服务查看GPU插件隔离事件。

GPU插件隔离事件

当GPU显卡出现异常时，系统会将出现问题的GPU设备进行隔离，详细事件如表1所示。

故障定位步骤

• NVML显存重映射行数查询异常

  GPU驱动或GPU设备存在异常，请根据GPU设备所在的节点类型（ECS），联系对应的客服进行处理。

• GPU设备DBE错误与SBE错误总数过高

  GPU驱动或GPU设备存在异常，请根据GPU设备所在的节点类型（ECS），联系对应的客服进行处理。

• GPU设备存在Uncorrectable ECC错误
  1. 登录GPU隔离事件发生的节点。
  2. 进入/usr/local/nvidia/bin目录，执行nvidia-smi -q命令。

     若nvidia-smi命令不存在或执行失败，有可能是驱动安装未就绪导致，可以重新安装GPU驱动后，再重试。

  3. 观察执行结果中的ECC ERROR（发生ECC故障的记录）。
     • Correctable Error：不会影响业务，不会触发GPU隔离。
     • Uncorrectable Error：会导致业务中断，会触发GPU隔离。
  4. 若存在Uncorrectable Error，可以尝试通过以下手段恢复：
     1. 配置目标节点污点（taints），驱逐目标节点存量的业务负载。
     2. 重启目标节点。
     3. 若重启后仍有该现象，则需要收集nvidia-smi -q命令的输出，然后根据GPU设备所在的节点类型（ECS），联系对应的客服进行处理。
• NVML获取设备UUID异常
  1. 登录GPU隔离事件发生的节点。
  2. 进入/usr/local/nvidia/bin目录。
  3. 执行nvidia-smi，观察执行结果中的设备ID，例如：00:0D.0。

     若nvidia-smi命令不存在或执行失败，有可能是驱动安装未就绪导致，可以重新安装GPU驱动后，再重试。

  4. 执行lspci | grep NVIDIA，观察执行结果中的设备ID。
  5. 比对上述两者结果，若存在不匹配的现象，收集两者输出结果，然后根据GPU设备所在的节点类型（ECS），联系对应的客服进行处理。
• GPU设备存在Xid错误
  1. 登录GPU隔离事件发生的节点。
  2. 执行dmesg -T | grep -i NVRM，观察结果输出。
  3. 假如存在Xid(PCI:0000:00:0x): xx格式的信息，则需要收集错误码，根据Nvidia Xid Error页面中确认详细原因。然后将详细原因和错误信息，根据GPU设备所在的节点类型（ECS），联系对应的客服进行处理。
• GPU虚拟化设备可用内存远小于GPU物理显存
  1. 登录GPU虚拟化节点。
  2. 执行/usr/local/nvidia/bin/nvidia-smi，观测目标GPU卡的物理显存，记录其序号。
  3. 执行cat /proc/xgpu/{GPU卡序号}/meminfo，注意替换命令中的{GPU卡序号}为步骤2获取的GPU卡序号，观测GPU虚拟化的可用显存。
  4. 比较步骤2和步骤3的可用显存。
     

     由于GPU厂商的驱动程序，本身就会占用一定量的物理显存，量级在300MB左右，这属于正常现象。例如Tesla T4配套510.47.03，驱动程序默认会占用280MiB；而该显存占用与厂商的驱动程序版本也有一定相关性，例如535系列驱动比470系列占用更多。

     若发现GPU虚拟化的可用显存远小于GPU卡的物理显存，一般是因为存在一些非GPU虚拟化发放的容器，占用了显存。

  5. 通过CCE控制台或kubectl命令，将目标节点的GPU负载排空。
  6. 执行rmmod xgpu_km，进行GPU虚拟化模块的删除。
  7. 通过CCE控制台或kubectl命令，将目标节点的nvidia-gpu-device-plugin Pod进行删除。
  8. 等待nvidia-gpu-device-plugin Pod重建完成后，重新按照步骤2和步骤3进行结果核验。