Problèmes GPU

• Contrôle d’intégrité des GPU et de la carte GPU
• Le système ne détecte pas la carte GPU.
• Le système ne parvient pas à détecter une unité GPU spécifique
• Spécifications du détecteur de GPU XCC

Contrôle d’intégrité des GPU et de la carte GPU​

L’état suivant du détecteur signalé par ipmitool indique que les GPU et la carte GPU sont dans un état normal.

$ 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

Le récapitulatif de l’utilitaire nvidia-smi indique qu’il y a 4 GPU en ligne.

Figure 1. nvidia-smi

Le système ne détecte pas la carte GPU.​

Lorsqu’un événement Sensor GPU Board has transitioned to critical from a less severe state apparaît dans le journal des événements XCC Web, cela signifie que le système ne détecte pas la carte GPU. Pour résoudre ce problème, procédez comme ci-après.

1. Mettez le système hors tension, puis redémarrez-le.
2. Vérifiez les événements associés à l’alimentation au niveau du XCC et du module SMM2 (voir SMM2 - Alimentation).
3. Vérifiez la température du système et le débit d’eau. Recherchez la présence d’une fuite, puis déconnectez et reconnectez le système de refroidissement par eau.
4. Redémarrez le système, puis exécutez le contrôle d’intégrité ipmi (voir Contrôle d’intégrité des GPU et de la carte GPU).
5. L’un des éléments suivants indique que le problème a été résolu :

   • FQXSPUN0017I (Sensor GPU Board has transitioned to normal state) dans les messages XCC
   • Sensor GPU Board has transitioned to normal state dans le journal Web
   Toutefois, si le problème persiste, procédez comme suit :

   1. Collectez les données de maintenance XCC (voir Collecte des données de maintenance).
   2. Contactez le service de maintenance Lenovo.

Le système ne parvient pas à détecter une unité GPU spécifique​

Lorsque l’événement Sensor GPU CPUs has transitioned to critical from a less severe state apparaît dans le journal des événements XCC Web, cela signifie que le système ne parvient pas à détecter un ou plusieurs GPU particuliers. Pour résoudre ce problème, procédez comme ci-après.

1. Vérifiez si le resynchroniseur présente une température trop élevée d’après un événement XCC. Si oui, vous pouvez ignorer l’étape suivante.
2. Téléchargez le microprogramme le plus récent à partir du site Assistance centre de données (https://datacentersupport.lenovo.com/products/servers/thinksystem/SD650v2), puis mettez à jour le microprogramme.
3. Redémarrez le système, puis exécutez le contrôle d’intégrité ipmi (voir Contrôle d’intégrité des GPU et de la carte GPU).

4. Si l’événement Sensor GPU Board has transitioned to normal state apparaît dans le journal des événements XCC Web, cela signifie que le problème a été résolu.

   Toutefois, si le problème persiste, procédez comme suit.

   1. Consultez le journal des événements XCC Web pour identifier l’unité défectueuse et le type de problème (voir Spécifications du détecteur de GPU XCC).
   2. Collectez les données de maintenance XCC (voir Collecte des données de maintenance).
   3. Exécutez nvidia-smi pour obtenir un diagnostic (voir Interface de gestion de système NVIDIA pour plus de détails)
   4. Exécutez nvidia-bug-report.sh (outil intégré dans le pilote NVIDIA).
   5. Contactez le service de maintenance Lenovo.

Spécifications du détecteur de GPU XCC​

Lorsque vous voyez un événement dans le journal des événements XCC Web, reportez-vous au tableau suivant pour identifier l’unité défectueuse et le type de problème. Par exemple :

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