PowerEdge R7515 mit NVIDIA T4-GPU erkannte einen kritischen Xid-Fehler und GPU stoppte die Verarbeitung.

PowerEdge R7515 mit NVIDIA T4-GPU, auf der ein Anwendungsprogramm ausgeführt wird Es wurde ein kritischer Xid-Fehler festgestellt und die GPU hat die Verarbeitung gestoppt.

1. Aktualisieren Sie die GPU-CUDA und den Treiber auf die neueste Version, CUDA Toolkit 12. 12.2.2 NVIDIA Data Center GPU-Treiber: 535.129.03 (Linux), GPU-Persistenzmodus aktiviert, dann wird der APP-Test des Nutzers ausgeführt und immer noch ein Fehler angezeigt: Kritischer Xid-Fehler erkannt.
2. Nvidia-bug-report Protokollprüfung hat viele NVRM:Xid:8-Fehler, aktuelle GPU-Temperatur: 42 C.

Driver Version: 535.129.03
CUDA Version: 12.2
Temperature
GPU Current Temp: 42 C
GPU T.Limit Temp: N/A
GPU Shutdown Temp: 96 C
GPU Slowdown Temp: 93 C
GPU Max Operating Temp: 85 C

Nov 27 10:18:12 dell-PowerEdge-R7515 kernel: [160879.547208] NVRM: Xid (PCI:0000:81:00): 8, pid=1020, name=Xorg, Channel 00000002
...
/var/log/dmesg:
Nov 25 13:36:52 dell-PowerEdge-R7515 kernel: nvidia-nvlink: NVLInk Core is being initialized, major device number 236
Nov 25 13:36:52 dell-PowerEdge-R7515 kernel: NVRM: Loading NVIDIA UNIX x86_64 Kernel Module 535.129.03 Thu Oct 19 18:56:32 UTC 2023
Nov 25 13:36:52 dell-PowerEdge-R7515 kernel: nvidia-modeset: Loading NVIDIA Kernel Mode Setting Driver for UNIX platforms 535.129.03 Thu Oct 19 18:42:12 UTC 2023
Nov 25 13:36:52 dell-PowerEdge-R7515 kernel: [drm] [nvidia-drm] [GPU ID 0x00008100] Loading driver
Nov 25 13:36:52 dell-PowerEdge-R7515 kernel: [drm] Initialized nvidia-drm 0.0.0 20160202 for 0000:81:00.0 on minor 1
Nov 25 13:37:04 dell-PowerEdge-R7515 kernel: NVRM: GPU at PCI:0000:81:00: GPU-61e384ab-7c8f-7ebf-efba-da6a7d862a33
Nov 25 13:37:04 dell-PowerEdge-R7515 kernel: NVRM: GPU Board Serial Number: 1320223053140
Nov 25 13:37:04 dell-PowerEdge-R7515 kernel: NVRM: Xid (PCI:0000:81:00): 8, pid=1020, name=Xorg, Channel 00000002
...
Nov 27 10:18:12 dell-PowerEdge-R7515 kernel: NVRM: Xid (PCI:0000:81:00): 8, pid=1020, name=Xorg, Channel 00000002

3. Starten Sie von SLI 3.0 und führen Sie NVIDIA Tesla GPU 629 aus. Vor-Ort-Diagnose wurde BESTANDEN.
 

N. z.

1. Arbeiten mit Xid-Fehlern XID: 8 für vor dem Test erwarten Sie den Treiberfehler, Busfehler, Temperaturproblem, Es scheint der Benutzer-App-Fehler zu sein.

2. Lassen Sie den Benutzer das Anwendungsprogramm überprüfen, dann deaktiviert der Benutzer xorg und das Problem war verschwunden.