GPU实例故障分类列表

GPU实例故障的分类列表如表1所示。

表1 GPU实例故障分类列表
是否可恢复故障	故障类型	相关文档
可恢复故障，可按照相关文档自行恢复	镜像配置问题	如何处理Nouveau驱动未禁用导致的问题
	ECC错误	如何处理ECC ERROR：存在待隔离页问题
	内核升级问题	如何处理升级内核后，驱动不可用问题
	GPU掉卡问题	如何处理GPU掉卡问题
	显卡ERR！	如何处理显卡ERR！问题
	软件安装问题	如何处理用户自行安装NVIDIA驱动、CUDA软件，安装过程出错问题
	驱动兼容性问题	如何处理驱动兼容性问题
	Xid问题	如何处理可恢复的Xid故障问题
	显卡被禁用	如何处理用户的虚拟机报错：“由于该设备有问题，Windows已将其停止”问题
	镜像问题	如何处理用户使用场景与其选择的驱动、镜像不配套问题
	License问题	如何处理用户安装了GRID驱动，但未购买、配置License问题
不可恢复故障，需联系技术支持处理	InfoROM错误	如何处理infoROM错误
	ECC错误	如何处理ECC ERROR：执行nvidia-smi -q存在double bit ecc error错误，并无待隔离页
	ECC错误	如何处理ECC ERROR：执行nvidia-smi存在SRAM的ECC错误（V100显卡）
	GPU掉卡	如何处理GPU掉卡，执行lspci \| grep -i nvidia命令找不到显卡或显卡显示rev ff
	温度过高问题	如何处理GPU散热异常，执行nvidia-smi命令发现温度过高
	驱动安装报错	如何处理驱动安装报错“Unable to load the kernel module 'nvidia.ko'”
	Xid报错	如何处理GPU虚拟机故障，在message日志中发现存在Xid报错