GPU-Probleme

• Zustandsprüfung für GPUs und GPU-Platine
• System kann die GPU-Platine nicht erkennen
• System erkennt keine bestimmte GPU
• XCC GPU-Sensor – Technische Daten

Zustandsprüfung für GPUs und GPU-Platine​

Der folgende Sensorstatus von ipmitool gibt an, dass sich die GPUs und die GPU-Platine im normalen Zustand befinden.

$ ipmitool -I lanplus -H 192.168.70.125 -U USERID -P PASSW0RD 
sdr elist | grep GPU 
GPU Board Power  | 8Ch | ok  | 21.4 | 250 Watts 
GPU Board        | E9h | ok  | 11.8 | Transition to OK 
GPU CPUs         | EAh | ok  | 11.9 | Transition to OK

Die Zusammenfassung des nvidia-smi Dienstprogramms gibt an, dass vier GPUs online sind.

Abbildung 1. nvidia-smi

System kann die GPU-Platine nicht erkennen​

Wenn das Ereignis Sensor GPU Board has transitioned to critical from a less severe state im XCC-Webereignisprotokoll angezeigt wird, bedeutet dies, dass das System die GPU-Platine nicht erkannt hat. Gehen Sie wie folgt vor, um das Problem zu beheben.

1. Schalten Sie das System aus und wieder ein.
2. Überprüfen Sie Ereignisse im Zusammenhang mit der Stromversorgung in XCC und SMM2 (siehe SMM2 – Stromversorgung).
3. Überprüfen Sie die Systemtemperatur und den Wasserdurchfluss. Suchen Sie nach Lecks, trennen Sie die Verbindung zum Wasserkühlungssystem und schließen Sie es wieder an.
4. Starten Sie das System neu und führen Sie die IPMI-Zustandsprüfung durch (siehe Zustandsprüfung für GPUs und GPU-Platine).
5. Die folgenden Meldungen weisen darauf hin, dass der Fehler behoben wurde:

   • FQXSPUN0017I (Sensor GPU Board has transitioned to normal state) in XCC-Nachrichten
   • Sensor GPU Board has transitioned to normal state im Webprotokoll
   Wenn das Problem jedoch weiterhin auftritt, gehen Sie wie folgt vor:

   1. Erfassen Sie die XCC-Servicedaten (siehe Servicedaten erfassen).
   2. Wenden Sie sich an den Lenovo Support.

System erkennt keine bestimmte GPU​

Wenn das Ereignis Sensor GPU CPUs has transitioned to critical from a less severe state im XCC-Webereignisprotokoll angezeigt wird, bedeutet dies, dass das System mindestens eine bestimmte GPU nicht erkannt hat. Gehen Sie wie folgt vor, um das Problem zu beheben.

1. Überprüfen Sie, ob der Retimer eine Temperaturüberschreitung vom XCC-Ereignis angibt. Wenn ja, überspringen Sie den nächsten Schritt.
2. Laden Sie die aktuelle Firmware von der Supportseite für Rechenzentren (https://datacentersupport.lenovo.com/products/servers/thinksystem/SD650v2) herunter und aktualisieren Sie die Firmware.
3. Starten Sie das System neu und führen Sie die IPMI-Zustandsprüfung durch (siehe Zustandsprüfung für GPUs und GPU-Platine).

4. Wenn das Ereignis Sensor GPU Board has transitioned to normal state im XCC-Webereignisprotokoll angezeigt wird, bedeutet dies, dass der Fehler behoben wurde.

   Wenn das Problem jedoch weiterhin auftritt, gehen Sie wie folgt vor.

   1. Prüfen Sie das XCC-Webereignisprotokoll, um die fehlerhafte Einheit und den Problemtyp zu ermitteln (siehe XCC GPU-Sensor – Technische Daten).
   2. Erfassen Sie die XCC-Servicedaten (siehe Servicedaten erfassen).
   3. Führen Sie nvidia-smi zur Diagnose aus (Details siehe NVIDIA-Systemverwaltungsschnittstelle).
   4. Führen Sie nvidia-bug-report.sh aus (integriertes Tool im NVIDIA-Treiber).
   5. Wenden Sie sich an den Lenovo Support.

XCC GPU-Sensor – Technische Daten​

Wenn ein Ereignis im XCC-Webereignisprotokoll angezeigt wird, finden Sie in der folgenden Tabelle Informationen zum Identifizieren der fehlerhaften Einheit und des Problemtyps. Beispiel:

6 | 01/08/2021 | 14:34:53 | 0x0020 | Add-in Card GPU Board | Trasition to Critical from less severe | Asserted |0xA2F60F