H100/H200 GPU 문제
다음 정보를 사용하여 GPU와 관련된 문제점을 해결하십시오.
GPU 상태 확인
GPU 상태를 확인하려면 다음 유틸리티 중 하나를 사용합니다. 다음의 필수 유틸리티가 포함된 GPU 드라이버를 업데이트해야 합니다. 최신 드라이버는 드라이버 및 소프트웨어 다운로드 웹사이트(ThinkSystem SR780a V3용)에서 확인 가능합니다.
SMI(System Management Interface) 정보에 대한 자세한 내용은 NVIDIA 시스템 관리 인터페이스의 내용을 참조하십시오.
nvidia-smi
nvidia-smi 유틸리티를 실행하여 온라인 상태인 GPU 8개를 표시합니다.
주출력에 표시된 GPU 숫자(0~7)는 논리 번호입니다. 다음 표에는 논리 번호와 실제 GPU 소켓 간의 매핑 정보를 보여 줍니다.논리 번호 물리적 GPU 소켓 GPU 소켓의 위치 0 GPU 3 1 GPU 1 2 GPU 2 3 GPU 4 4 GPU 7 5 GPU 5 6 GPU 6 7 GPU 8 그림 1. nvidia-sminvidia-smi -L
nvidia-smi -L 유틸리티를 실행하여 온라인 상태인 GPU 8개를 UUID와 함께 표시합니다.
주출력에 표시된 GPU 숫자(0~7)는 논리 번호입니다. 다음 표에는 논리 번호와 실제 GPU 소켓 간의 매핑 정보를 보여 줍니다.논리 번호 물리적 GPU 소켓 GPU 소켓의 위치 0 GPU 3 1 GPU 1 2 GPU 2 3 GPU 4 4 GPU 7 5 GPU 5 6 GPU 6 7 GPU 8 그림 2. nvidia-smi -Lnvidia-smi -q --id=1 -f <output file name>
nvidia-smi -q --id=1 -f <output file name> 유틸리티를 실행하여 GPU 인벤토리 정보를 내보냅니다.
출력을 저장할 원하는 파일 이름을 <output file name>에 입력합니다. 예: nvidia-smi -q --id=1 -f /tmp/queryoam1.txt.
그림 3. nvidia-smi -q --id=1 -f <output file name>nvidia-smi --id=0 -q -d ECC,PAGE_RETIREMENT
nvidia-smi --id=0 -q -d ECC,PAGE_RETIREMENT 유틸리티를 실행하여 ECC(Error Checking and Correction) 오류 및 사용 중지된 페이지의 상태를 내보냅니다.
ECC Mode
Current : Enabled
Pending : Enabled
Ecc Errirs
Volatile
SRAM Correctable : 0
SRAM Uncorrectable Parity : 0
SRAM Uncorrectable SEC-DED : 0
DRAM Correctable : 0
DRAM Uncorrectable: : 0
Aggregate
SRAM Correctable : 0
SRAM Uncorrectable Parity : 0
SRAM Uncorrectable SEC-DED : 0
DRAM Correctable : 0
DRAM Uncorrectable : 0
SRAM Threshold Exceeded : No
Aggregate Uncorrectable SRAM Sources
SRAM L2 : 0
SRAM SM : 0
SRAM Microcontroller : 0
SRAM PCIE : 0
SRAM Other : 0
Retired Pages
Single Bit ECC : N/A
Double Bit ECC : N/A
Pending Page Blacklist : N/Anvidia-smi pci --getErrorCounters
nvidia-smi pci --getErrorCounters 유틸리티를 실행하여 8개 GPU의 오류 카운터를 표시합니다.
그림 4. nvidia-smi pci --getErrorCountersnvidia-smi pci --getErrorCounters --id=<id number>
nvidia-smi pci --getErrorCounters --id=<id number> 유틸리티를 실행하여 특정 GPU의 오류 카운터를 표시합니다.
<id number>에 특정 GPU의 ID 번호를 입력합니다. 예: nvidia-smi pci --getErrorCounters --id=2.
그림 5. nvidia-smi pci --getErrorCounters --id=<id number>
시스템에서 특정 GPU를 감지하지 못함
이벤트 중 하나가 XCC 웹 이벤트 로그에 나타나면 시스템이 하나 이상의 특정 GPU를 감지하지 못했음을 나타냅니다.
- FQXSPIO0015M: [ComputerSystemElementName] 시스템의 [PhysicalConnectorSystemElementName] 슬롯에 결함이 있습니다. 이벤트가 나타나면 FQXSPIO0015M를 참조하여 문제를 해결하십시오.
- FQXSFIO0010M: 정정할 수 없는 PCIe 오류가 버스 [arg1] 장치 [arg2] 기능 [arg3]에서 발생했습니다. 장치의 공급업체 ID는 [arg4]이고 장치 ID는 [arg5]입니다. 실제 [arg6] 번호는 [arg7]입니다. 이벤트가 나타나면 FQXSFIO0010M를 참조하여 문제를 해결하십시오.주매개 변수:
- [arg1] 버스
- [arg2] 장치
- [arg3] 기능
- [arg4] VID
- [arg5] DID
- [arg6] 슬롯/베이
- [arg7] 인스턴스 번호
- FQXSPUN0019M: [SensorElementName] 센서가 약간 심각한 상태에서 위험한 상태로 전환되었습니다. 이벤트가 나타나면 FQXSPUN0019M를 참조하여 문제를 해결하십시오.
XCC의 슬롯 번호 | 물리적 GPU 소켓 | GPU 소켓의 위치 |
---|---|---|
슬롯 17 | GPU 5 | ![]() |
슬롯 18 | GPU 7 | |
슬롯 19 | GPU 8 | |
슬롯 20 | GPU 6 | |
슬롯 21 | GPU 1 | |
슬롯 22 | GPU 3 | |
슬롯 23 | GPU 4 | |
슬롯 24 | GPU 2 |