Was ist die Hardware-Gesundheit in PeakNode?
Der Teil von PeakNode, der Fehler an NVIDIA-GPUs aufzeichnet und einstuft: Xid-Meldungen, ECC-Fehler, Row Remapping, PCIe-Link, Drosselung, fehlende Karten und Treiberfehler. Kritisches meldet er sofort über die Kanäle des Server-Monitors.
Was bedeutet Xid 79, und welche Xid-Fehler sind kritisch?
Xid 79 heißt im Portal „GPU has fallen off the bus“: Die Karte ist vom Bus gefallen. PeakNode meldet das sofort als kritisch, mit der betroffenen GPU. Kritisch sind außerdem die Codes 44, 48, 63, 64, 74, 92, 94, 95, 119 und 120. Die Codes 13, 31, 43 und 45 sind Hinweise ohne Benachrichtigung, alle übrigen Warnungen.
Wie geht PeakNode mit ECC-Fehlern auf der GPU um?
Neue nicht korrigierbare Fehler meldet PeakNode sofort als kritisch. Bei korrigierten Fehlern warnt es erst, wenn sie in 24 Stunden mindestens 100 erreichen und das Zehnfache des Tagesmittels der 14 Tage davor, frühestens nach rund 8 Tagen Verlauf. Die Zähler sind die des Treibers und beginnen nach dessen Laden wieder bei null.
Was heißt Row Remapping ausstehend oder fehlgeschlagen?
Ab der Ampere-Generation ersetzt eine NVIDIA-GPU defekte Speicherzeilen. Ausstehend heißt: Die Ersatzzeile wird erst nach einem Reset der GPU aktiv, NodeCare führt das als Aufgabe für das nächste Wartungsfenster. Fehlgeschlagen heißt: Die Karte kann eine defekte Zeile nicht mehr ersetzen und muss in den Service, PeakNode meldet das als kritisch.
Warum zeigt PeakNode bei manchen GPUs nur einen Strich?
Weil der Treiber den Wert für diese Karte nicht liefert. ECC, HBM-Temperatur und Row Remapping gibt es bei Datacenter-GPUs, Consumer-Karten melden dort „N/A“. PeakNode zeigt dann „-“ und erzeugt daraus weder ein Ereignis noch eine Null.
Funktioniert die Hardware-Gesundheit unter Windows?
Nein. Xid, ECC, Row Remapping, PCIe und Drosselgründe liefert nur der Linux-Agent. Der Windows-Agent meldet von NVIDIA-GPUs nur Grundwerte wie Auslastung, Speicher, Temperatur und Leistung, der macOS-Agent keine GPU-Werte.
Worin unterscheidet sich die Hardware-Gesundheit von NodeCare?
Die Hardware-Gesundheit zeichnet Ereignisse auf, sobald sie auftreten, und meldet Kritisches sofort. NodeCare macht daraus und aus dem Verlauf einen Wartungsplan mit Stufen, Termin und Empfehlung. Beide nutzen dieselben Messwerte des Agenten.
Was bedeuten Xid 31, 43 und 94?
Xid 31 heißt im Portal „GPU memory page fault“, ein Fehler beim Speicherzugriff, Xid 43 „GPU stopped processing“ und Xid 94 „Contained ECC error“, ein eingegrenzter Speicherfehler. PeakNode führt 31 und 43 als Hinweis ohne Benachrichtigung und 94 als kritisch. Die Einstufung weiterer Codes steht in der Tabelle oben.
Ist ein einzelner ECC-Fehler ein Grund, die GPU zu tauschen?
Für PeakNode ist ein einzelner korrigierter ECC-Fehler kein Befund, gewarnt wird erst bei einem starken Anstieg. Neue nicht korrigierbare Fehler und ein fehlgeschlagenes Row Remapping meldet PeakNode als kritisch. Ob getauscht wird, entscheiden Händler oder Hersteller, den Beleg für die Reklamation erstellt NodeCare als PDF.
Wie hoch darf die Temperatur einer GPU sein?
Das hängt vom Modell ab, eine feste Grenze für alle GPUs gibt es nicht. Die Grenzen der eigenen Karte zeigt nvidia-smi -q im Abschnitt Temperature, etwa die Temperatur, ab der die Karte drosselt. PeakNode meldet, wenn eine GPU wegen Hitze drosselt, und alarmiert auf Wunsch ab einem eigenen Grenzwert, siehe GPU-Server-Monitoring.