云服务器内容精选

华为云首页用户手册

GPU实例故障自诊断

弹性云服务器 ECS-GPU实例故障处理流程

GPU实例故障处理流程 GPU实例故障处理流程如图1所示，对应的操作方法如下： CES 监控事件通知：配置GPU的CES监控后会产生故障事件通知。故障信息收集：可使用GPU故障信息收集脚本一键收集，也可参考故障信息收集执行命令行收集。 GPU实例故障分类列表：根据错误信息在故障分类列表中识别故障类型。非硬件故障自恢复处理方法：这类问题可以根据指导自行排查恢复。显卡故障诊断及处理方法：这类问题可以根据指导确认后联系技术支持。联系技术支持人员：无法自恢复请提交工单联系技术支持人员获取帮助。图1 GPU实例故障处理流程父主题： GPU实例故障自诊断

弹性云服务器 ECS GPU实例故障自诊断
弹性云服务器 ECS-GPU实例故障分类列表

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，并无待隔离页如何处理ECC ERROR：执行nvidia-smi存在S RAM 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报错父主题： GPU实例故障自诊断

弹性云服务器 ECS GPU实例故障自诊断