Memecahkan masalah VM GPU

Panduan ini menjelaskan cara mendiagnosis dan menyelesaikan masalah umum pada VM Compute Engine yang memiliki GPU terpasang, termasuk error hardware dan bottleneck performa. Jika Anda mengalami error ZONE_RESOURCE_POOL_EXHAUSTED atau error kapasitas lainnya saat membuat VM GPU, lihat Memecahkan masalah error ketersediaan resource atau Memecahkan masalah konsumsi pemesanan.

Memecahkan masalah VM GPU menggunakan NVIDIA DCGM

NVIDIA Data Center GPU Manager (DCGM) adalah rangkaian alat untuk mengelola dan memantau GPU pusat data NVIDIA di lingkungan cluster.

Untuk menggunakan DCGM dalam memecahkan masalah di lingkungan GPU Anda, selesaikan langkah-langkah berikut:

  • Pastikan Anda menggunakan driver NVIDIA terbaru yang direkomendasikan untuk model GPU yang terpasang ke VM Anda. Untuk meninjau versi driver, lihat Versi driver NVIDIA yang direkomendasikan.
  • Pastikan Anda menginstal DCGM versi terbaru. Untuk menginstal versi terbaru, lihat penginstalan DCGM.

Mendiagnosis masalah

Saat Anda menjalankan perintah diagnostik dcgmi, masalah yang dilaporkan oleh alat diagnostik mencakup langkah berikutnya untuk mengambil tindakan terhadap masalah tersebut. Contoh berikut menunjukkan output yang dapat ditindaklanjuti dari perintah dcgmi diag -r memory -j.

{
  ........
   "category":"Hardware",
   "tests":[
      {
         "name":"GPU Memory",
         "results":[
            {
               "gpu_id":"0",
               "info":"GPU 0 Allocated 23376170169
bytes (98.3%)",
               "status":"Fail",
               ""warnings":[
                  {
                     "warning":"Pending page
retirements together with a DBE were detected on GPU 0. Drain the GPU and reset it or reboot the node to resolve this issue.",
                     "error_id":83,
                     "error_category":10,
                     "error_severity":6
                  }
               ]
            }
  .........

Dari cuplikan output sebelumnya, Anda dapat melihat bahwa GPU 0 memiliki penghentian halaman yang tertunda yang disebabkan oleh error yang tidak dapat dipulihkan. Output memberikan error_id unik dan saran tentang proses debug masalah. Untuk contoh output ini, sebaiknya Anda mengosongkan GPU dan memulai ulang VM. Pada banyak kasus, mengikuti petunjuk di bagian output ini dapat membantu menyelesaikan masalah.

Memecahkan masalah performa GPU untuk VM A3

Seri mesin A3 tersedia dengan GPU NVIDIA H200 atau H100 yang terpasang. Seri ini mencakup jenis mesin A3 Ultra (H200), A3 Mega (H100), A3 High (H100), dan A3 Edge (H100).

Mengidentifikasi node yang rusak

Tugas pelatihan atau benchmark berskala besar pada cluster GPU multi-node dapat berhenti merespons atau berperforma buruk. Hal ini sering terjadi karena satu atau beberapa node berperforma buruk dan memperlambat seluruh operasi. Bagian ini menjelaskan cara mengidentifikasi node atau mesin host yang rusak dengan menjalankan uji tolok ukur NCCL atau menganalisis log NCCL.

Menjalankan uji tolok ukur NCCL

Untuk mengidentifikasi grup node yang menyebabkan kegagalan, uji subset cluster Anda secara sistematis menggunakan benchmark NCCL seperti all_reduce_perf.

  1. Untuk mengidentifikasi nodeset, kelompokkan node ke dalam set logis, misalnya, partisi di Slurm.
  2. Untuk membuat file host, buat file host terpisah untuk setiap nodeset, yang mencantumkan nama host dan jumlah GPU per node. Jumlah slot yang Anda tentukan bergantung pada jumlah GPU jenis VM A3 Anda. Misalnya, VM a3-highgpu-8g memiliki 8 GPU, jadi Anda harus menentukan slots=8.
  3. Untuk menjalankan benchmark, jalankan benchmark all_reduce_perf terhadap setiap nodeset satu per satu.
    mpirun -x LD_LIBRARY_PATH --hostfile HOSTFILE_NAME -n TOTAL_PROCESSES \
        ./build/all_reduce_perf -b 1G -e 8G -f 2 -g NUM_GPUS_PER_NODE
              

    Ganti kode berikut:

    • HOSTFILE_NAME: nama file host yang berisi daftar node dan jumlah GPU per node untuk nodeset.
    • TOTAL_PROCESSES: jumlah total proses MPI yang akan diluncurkan di semua host dalam nodeset.
    • NUM_GPUS_PER_NODE: jumlah GPU per node. Untuk semua jenis mesin A3, nilai ini adalah 8.
  4. Untuk menganalisis hasil, jika tugas hang atau menunjukkan bandwidth bus (busbw) yang jauh lebih rendah pada set node tertentu, set tersebut kemungkinan rusak.
  5. Untuk membagi, jika nodeset rusak, bagi file host-nya menjadi dua dan uji ulang untuk mempersempit penelusuran biner hingga Anda menemukan node yang bermasalah.

Menganalisis log NCCL

Jika metode benchmark tidak menunjukkan node, analisis log NCCL yang mendetail.

  1. Untuk mengaktifkan logging debug, tetapkan variabel lingkungan berikut dalam sesi shell tempat Anda berencana menjalankan workload:
    export NCCL_DEBUG=INFO
            export NCCL_DEBUG_SUBSYS=INIT,NET,COLL
            export NCCL_DEBUG_FILE="LOG_DIRECTORY/nccl_log.%h.%p"
            

    Ganti LOG_DIRECTORY dengan direktori tempat Anda ingin menyimpan log.

    Menetapkan NCCL_DEBUG_FILE dengan %h dan %p akan membuat file log yang unik dan tidak disisipkan untuk setiap proses.

    Jika Anda menjalankan workload multi-node menggunakan mpirun, maka propagasikan variabel ini ke semua node menggunakan flag -x. Contoh:

    mpirun -x NCCL_DEBUG -x NCCL_DEBUG_SUBSYS -x NCCL_DEBUG_FILE ...
              
  2. Untuk menemukan error pertama, gunakan perintah berikut untuk menemukan peristiwa waktu tunggu habis atau kegagalan paling awal di semua file log:
    grep "NCCL WARN.*NET/FasTrak" LOG_DIRECTORY/* | sed 's/.*NET\/FasTrak\(.*\)/\1/g' \
      | sort | head -n 20
              

    Ganti LOG_DIRECTORY dengan direktori tempat log Anda disimpan.

  3. Untuk menghitung operasi kolektif, node straggler menyelesaikan lebih sedikit operasi kolektif. Hitung "opCount" entri untuk peringkat yang mencurigakan:
    grep "opCount" LOG_DIRECTORY/nccl_log.HOSTNAME.PID | wc -l
              

    Ganti kode berikut:

    • LOG_DIRECTORY: direktori tempat log Anda disimpan
    • HOSTNAME: nama host node
    • PID: ID proses dari proses NCCL
  4. Untuk mengumpulkan lebih banyak data logging sebelum tugas dibatalkan, tingkatkan waktu tunggu transfer data untuk sementara:
    export NCCL_FASTRAK_DATA_TRANSFER_TIMEOUT_MS=3600000
            

Memantau throttling termal GPU

VM seri A3 dapat mengalami penurunan performa jika secara konsisten mencapai suhu lebih dari 87 °C saat diberi beban. Untuk memeriksa throttling termal GPU di seluruh node dalam cluster, gunakan nvidia-smi atau dcgmi.

Menggunakan nvidia-smi

Untuk memeriksa suhu saat ini dan status throttling semua GPU pada sebuah node, jalankan perintah berikut:

nvidia-smi --query-gpu=timestamp,name,pci.bus_id,temperature.gpu,clocks_throttle_reasons.hw_slowdown --format=csv
    

Dalam output, nilai Active di kolom clocks_throttle_reasons.hw_slowdown menunjukkan bahwa GPU sedang di-throttle karena suhu tinggi.

Menggunakan dcgmi

Paket diagnostik NVIDIA Data Center GPU Manager (DCGM) mencakup pemeriksaan untuk pelanggaran termal. Untuk menjalankan diagnostik level 1, jalankan perintah berikut:

dcgmi diag -r 1

Hasil Warn atau Fail di bagian Thermal menunjukkan bahwa pelanggaran termal terjadi selama pengujian. Jika pelanggaran termal disertai dengan pembatasan clock, GPU kemungkinan mengalami panas berlebih dan memerlukan penyelidikan lebih lanjut.

Error Xid

Setelah membuat VM yang telah memasang GPU, Anda harus menginstal driver perangkat NVIDIA di VM GPU agar aplikasi Anda dapat mengakses GPU. Namun, terkadang driver ini menampilkan pesan error.

Pesan Xid adalah laporan error dari driver NVIDIA yang dicetak ke log kernel atau log peristiwa sistem operasi untuk VM Linux Anda. Pesan ini ditempatkan dalam file /var/log/messages. Untuk mengetahui informasi selengkapnya tentang pesan Xid, termasuk kemungkinan penyebabnya, lihat dokumentasi NVIDIA.

Cara Google menangani error Xid

Google menggunakan health check pasif untuk mengevaluasi sistem GPU. Jika penggantian hardware diperlukan, Google akan memulai pemeliharaan darurat secara otomatis. Google mendeteksi error Xid dan secara proaktif mengirim mesin untuk diperbaiki jika kode error menunjukkan kemungkinan besar kegagalan hardware, seperti Xid 74, 79, dan 140. Untuk beberapa kode Xid, karena dapat disebabkan oleh masalah software atau hardware, Google menggunakan pencocokan pola untuk memicu perbaikan, sehingga tidak setiap kemunculan menghasilkan perbaikan otomatis.

Jenis error Xid

Daftar berikut menjelaskan tiga kategori utama error Xid dan tindakan pemulihan yang direkomendasikan:

  • Error aplikasi: ini menunjukkan masalah di dalam kode aplikasi Anda. Error aplikasi mencakup Xid seperti Xid 13, 31, 94, 95, dan 137, yang menunjukkan berbagai jenis pelanggaran akses memori, mirip dengan kesalahan segmentasi. Hal ini tidak menunjukkan error ECC. Untuk memecahkan masalah error ini, NVIDIA merekomendasikan penggunaan salah satu pendekatan proses debug berikut:

    • Proses debug langsung: jalankan aplikasi langsung di cuda-gdb atau jalankan alat memcheck Compute Sanitizer.
    • Proses debug pasca-pengecualian: jalankan aplikasi dengan CUDA_DEVICE_WAITS_ON_EXCEPTION=1. Saat terjadi pengecualian, driver GPU akan membekukan status aplikasi tanpa keluar sehingga Anda dapat melampirkan debugger nanti (cuda-gdb -p <PID>) untuk memeriksa stack trace aktif.
  • Error driver: menunjukkan masalah yang disebabkan oleh driver GPU NVIDIA. Untuk mengatasi error ini, pastikan Anda menggunakan versi driver NVIDIA terbaru. Google memantau error ini dan berkolaborasi dengan NVIDIA dalam perbaikan driver.

  • Error firmware atau hardware yang dapat dipulihkan: menunjukkan error firmware atau hardware yang memungkinkan pemulihan tanpa penggantian hardware. Untuk mengatasi error ini, terapkan tindakan pemulihan manual seperti mereset GPU atau memulai ulang instance. Error firmware atau hardware yang dapat dipulihkan mencakup error Error Correcting Code (ECC) (berlaku untuk Xid seperti Xid 48, 63, dan 64) yang menunjukkan berbagai tahap pendeteksian dan mitigasi error ECC. Untuk mengetahui informasi selengkapnya tentang penghentian halaman dan mitigasi error ECC, lihat FAQ Penghentian Halaman Dinamis NVIDIA.

Meninjau pesan Xid

Untuk mendiagnosis dengan cepat alasan workload GPU gagal, berhenti merespons, atau mengalami penurunan performa, periksa log kernel instance Anda (dmesg atau /var/log/kern.log) untuk mengetahui kode error NVIDIA Xid numerik.

Meninjau tabel error Xid di subbagian berikut akan membantu Anda:

  • Menentukan penyebab utama: mengidentifikasi apakah kegagalan disebabkan oleh bug aplikasi (seperti akses memori ilegal), konflik driver, atau kesalahan hardware fisik (seperti error memori ECC bit ganda).
  • Menentukan kepemilikan operasional: periksa tindakan pemulihan manual langsung yang harus Anda terapkan, seperti mereset GPU, memulai ulang VM, atau menjalankan debugger, dibandingkan dengan tindakan perbaikan otomatis dan penggantian hardware yang dikelola Google secara aktif di host.
  • Lakukan langkah-langkah pemulihan yang benar: hindari prosedur pemecahan masalah yang tidak perlu dan ketahui dengan tepat kapan pemulihan manual sudah cukup dan kapan Anda perlu melaporkan host sebagai rusak. Terkadang, pemulihan manual tidak cukup, misalnya, jika sumber error berada di cache GPU (SRAM), yang tidak dapat dipetakan ulang, yang ditunjukkan oleh Xid 48 dengan SRAM Threshold Exceeded=Yes, atau jika GPU telah menghabiskan bank pemetaan ulangnya, yang ditunjukkan oleh Xid 64: All reserved rows for bank are remapped. Dalam kasus ini, Google mendeteksi bahwa GPU memenuhi syarat untuk penggantian hardware dan secara proaktif mengirim mesin untuk diperbaiki. Jika workload Anda mengalami error berulang atau jika Anda mengamati kesalahan memori berulang, Anda dapat melaporkan host yang rusak untuk memulai perbaikan atau penggantian otomatis. Untuk GKE, lihat Cara melaporkan host yang rusak di GKE.

Penanganan Xid

Bagian berikut mengelompokkan pesan error Xid umum berdasarkan kategori teknis beserta resolusi dan tanggung jawab resminya:

Error memori GPU

Memori GPU adalah memori yang tersedia di GPU yang dapat digunakan untuk penyimpanan data sementara. Memori GPU dilindungi dengan Error Correction Code (ECC), yang mendeteksi dan memperbaiki error bit tunggal (SBE) serta mendeteksi dan melaporkan error bit ganda yang tidak dapat diperbaiki (DBE).

Error memori ini diperkirakan akan terjadi selama masa pakai GPU. Sebelum rilis GPU NVIDIA A100, penghentian halaman dinamis didukung. Untuk rilis GPU NVIDIA A100 dan yang lebih baru (seperti NVIDIA H100), pemulihan dari error pemetaan ulang baris diperkenalkan untuk error HBM (DRAM). ECC diaktifkan secara default, dan Google sangat merekomendasikan agar ECC tetap diaktifkan.

Tabel berikut mencantumkan error memori GPU umum dan resolusi yang disarankan:

Pesan error Xid Tindakan pelanggan Tindakan Google
Xid 48: Double Bit ECC

Error memori bit ganda (tidak dapat diperbaiki) terdeteksi oleh ECC. Error ini selalu mengganggu workload yang berjalan dan menghasilkan Xid 48.

  1. Hentikan workload Anda.
  2. Bergantung pada lingkungan Anda, reset GPU atau mulai ulang VM untuk memulihkan dan melanjutkan workload:

Google memantau kapan GPU memenuhi syarat untuk penggantian hardware, misalnya jika bank pemetaan ulang HBM habis atau GPU melebihi batas error SRAM masa pakainya, dan secara proaktif mengirim mesin untuk diperbaiki guna mengganti GPU.

Xid 63: ECC page retirement or row remapping recording event

Menunjukkan bahwa penghentian halaman dinamis atau peristiwa pemetaan ulang baris dicatat karena error memori.

  1. Hentikan workload Anda.
  2. Bergantung pada lingkungan Anda, reset GPU atau mulai ulang VM untuk memulihkan dan melanjutkan workload:

Google memantau batas error dan mengirim mesin untuk diperbaiki saat GPU memerlukan perbaikan atau penggantian fisik.

Xid 64: ECC page retirement or row remapper recording failure

Dan pesan tersebut berisi informasi berikut:

Xid 64: All reserved rows for bank are remapped
  1. Hentikan workload Anda.
  2. Bergantung pada lingkungan Anda, reset GPU atau mulai ulang VM untuk memulihkan dan melanjutkan workload:

Saat bank pemetaan ulang habis (All reserved rows for bank are remapped), Google mendeteksi bahwa GPU memenuhi syarat untuk penggantian hardware dan secara proaktif mengirim mesin untuk diperbaiki.

Jika Anda mendapatkan setidaknya dua pesan Xid berikut secara bersamaan:

  • Xid 48
  • Xid 63
  • Xid 64

Dan pesan tersebut berisi informasi berikut:

Xid XX: row remap pending
  1. Hentikan workload Anda.
  2. Bergantung pada lingkungan Anda, reset GPU atau mulai ulang VM untuk memulihkan dan melanjutkan workload:

Google akan mengirim mesin untuk diperbaiki jika bank pemetaan ulang habis atau saat GPU memerlukan perbaikan atau penggantian fisik.

Xid 92: High single-bit ECC error rate Pesan Xid ini ditampilkan setelah driver GPU memperbaiki error yang dapat diperbaiki, dan seharusnya tidak memengaruhi workload Anda. Pesan Xid ini hanya bersifat informasi. Anda tidak perlu melakukan tindakan apa pun.

Tidak ada

Xid 94: Contained error

Menunjukkan bahwa terjadi error GPU dan apakah error tersebut terjadi dalam satu aplikasi.

Xid 94 saja tidak menunjukkan penyebab utama error; error ini harus ditafsirkan bersama dengan error Xid lain yang terjadi bersamaan untuk menentukan penyebab mendasarnya.

  1. Karena error tersebut terdapat dalam satu aplikasi, mulai ulang aplikasi untuk memulihkannya.
  2. Jika perlu, reset GPU atau hentikan workload Anda.
  3. Selidiki error Xid lain yang terjadi bersamaan untuk langkah-langkah pemulihan lebih lanjut dan penentuan penyebab utama.

Tidak ada

Xid 95: Uncontained error

Menunjukkan bahwa error GPU terjadi dan tidak terbatas pada satu aplikasi.

Xid 95 saja tidak menunjukkan penyebab utama error; error ini harus ditafsirkan bersama dengan error Xid lain yang terjadi bersamaan untuk menentukan penyebab mendasarnya.

  1. Karena error tidak dapat diatasi, hentikan workload Anda dan reset GPU atau reboot VM untuk memulihkan.
  2. Selidiki error Xid lain yang terjadi bersamaan untuk menentukan penyebab utama yang mendasarinya dan langkah-langkah pemulihan lebih lanjut.

Tidak ada

Error GSP

GPU System Processor (GSP) adalah mikrokontroler yang berjalan di GPU dan menangani beberapa fungsi pengelolaan hardware tingkat rendah.

Pesan error Xid Tindakan pelanggan Tindakan Google
Xid 119: GSP RPC timeout
  1. Hentikan workload Anda.
  2. Periksa Cabang driver NVIDIA yang direkomendasikan untuk memastikan Anda menggunakan cabang yang didukung dan versi driver terbaru, karena bug driver di versi sebelumnya adalah penyebab utama error GSP.
  3. Jika error berlanjut setelah memeriksa atau mengupdate driver, hapus dan buat ulang VM. Jika error berlanjut, kumpulkan laporan bug NVIDIA dan ajukan kasus ke Cloud Customer Care.

Tidak ada. Jika error berlanjut dan Anda mengajukan kasus dukungan, Google akan menyelidiki status hardware atau driver melalui alur kerja dukungan.

Xid 120: GSP error

Error akses memori ilegal

Xid berikut ditampilkan saat aplikasi mengalami kesalahan akses memori ilegal:

Pesan error Xid Tindakan pelanggan Tindakan Google

Xid 13: Graphics Engine Exception

Xid 31: GPU memory page fault

Xid 137: Memory access fault

Pelanggaran akses memori terdeteksi, yang serupa dengan kesalahan segmentasi. Error ini biasanya menunjukkan bug aplikasi saat memori GPU diakses di luar batas, atau pada buffer yang dikosongkan seperti dereferensi pointer yang tidak valid atau array di luar batas. Error ini tidak mewakili error ECC kecuali jika Xid 48 juga ada.

Untuk mengatasi masalah ini, debug kesalahan akses memori di aplikasi Anda. Anda dapat menggunakan cuda-gdb, Compute Sanitizer, atau cuda-memcheck.

Untuk mengetahui detail selengkapnya, lihat dokumentasi NVIDIA Xid.

Tidak ada. Dalam kasus yang jarang terjadi, saat penurunan kualitas hardware dapat menyebabkan kesalahan akses memori ilegal yang dilaporkan secara keliru, Anda dapat menggunakan NVIDIA Data Center GPU Manager (DCGM) untuk menjalankan dcgmi diag -r 3 atau dcgmi diag -r 4 untuk berbagai tingkat cakupan dan durasi pengujian. Jika Anda mengidentifikasi masalah hardware, ajukan kasus ke Layanan Pelanggan.

Pesan error Xid umum lainnya

Pesan error Xid Tindakan pelanggan Tindakan Google
Xid 74: NVLINK error
  1. Hentikan workload Anda.
  2. Reset GPU.

Tidak ada

Xid 79: GPU has fallen off the bus

Artinya, driver tidak dapat berkomunikasi dengan GPU karena masalah hardware menyebabkan GPU menghilang dari bus PCI.

Untuk memulihkan workload, gunakan salah satu pendekatan berikut, bergantung pada apakah pemeliharaan darurat diaktifkan untuk project Anda:

  • Meminta pemeliharaan darurat: Jika pemeliharaan darurat diluncurkan ke project Anda, picu peristiwa pemeliharaan sesuai keinginan Anda.
  • Menunggu pemeliharaan otomatis: Atau, tunggu peristiwa pemeliharaan yang tidak direncanakan langsung pada instance.

Google mendeteksi bahwa GPU telah terlepas dari bus PCI dan mengirim mesin untuk diperbaiki.

Xid 109: Context switch timeout

Xid 109 adalah error umum yang dilaporkan oleh driver GPU NVIDIA, yang dihasilkan saat instance GPU gagal melakukan preemption atau beralih tugas dalam periode waktu tunggu yang diharapkan.

Google memiliki sejarah panjang dalam menyelidiki Xid 109 bersama NVIDIA, dan penyebab umum dari bug driver telah diperbaiki di driver terbaru. Xid 109 tidak disebabkan oleh masalah hardware.

  1. Hentikan workload Anda.
  2. Bergantung pada lingkungan Anda, reset GPU atau mulai ulang VM untuk memulihkan dan melanjutkan workload:
  3. Pertimbangkan untuk mengupgrade ke versi driver NVIDIA yang lebih baru untuk lingkungan Anda, seperti menginstal driver terbaru di VM Compute Engine atau mengupgrade node pool/DaemonSet driver GKE Anda.

Tidak ada

Xid 149 yang menyebutkan 0x02a, seperti contoh berikut:
Xid (PCI:0000:c0:00): 149,NETIR_LINK_EVT Fatal XC0 i0 Link 04 (0x02a485c6 0x00000000 0x00000000 0x00000000 0x00000000 0x00000000)

Hal ini menunjukkan masalah umum yang memengaruhi firmware untuk GPU NVIDIA B200.

  1. Hentikan workload Anda.
  2. Reset GPU.

Tidak ada

Memecahkan masalah kegagalan nvidia-smi setelah patching OS atau upgrade kernel

Jika nvidia-smi gagal dengan NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver setelah masa pemeliharaan, patch OS dijalankan, atau reboot VM, periksa penahanan paket kernel Anda. Kunci paket dari penginstalan driver sebelumnya dalam mode binary dapat mencegah penginstalan header kernel yang cocok.

Untuk mendiagnosis dan menyelesaikan masalah ini, pilih sistem operasi Anda:

Ubuntu

  1. Periksa versi kernel yang berjalan:

    uname -r
    
  2. Periksa apakah penginstalan driver sebelumnya dalam mode binary mengunci paket kernel, seperti saat Anda menggunakan instance komputasi --force-version, --installation-branch=lts, atau NVIDIA RTX Virtual Workstation (vWS):

    apt-mark showhold
    

    Periksa apakah linux-image-gcp atau linux-headers-gcp tercantum.

  3. Pastikan apakah header kernel telah diinstal untuk kernel yang sedang berjalan:

    dpkg -l | grep "linux-headers-$(uname -r)"
    
  4. Jika paket meta kernel ditahan, hapus kunci paket:

    sudo apt-mark unhold linux-image-gcp linux-headers-gcp
    
  5. Instal header kernel untuk kernel yang sedang berjalan:

    sudo apt-get update && sudo apt-get install -y linux-headers-$(uname -r)
    
  6. Bangun ulang dan muat modul kernel NVIDIA:

    • Jika sumber modul DKMS terdaftar (periksa sudo dkms status):

      sudo dkms autoinstall
      sudo modprobe nvidia
      nvidia-smi
      
    • Jika sudo dkms status tidak menampilkan modul NVIDIA yang terdaftar (misalnya, jika driver sebelumnya diinstal menggunakan biner .run tanpa --dkms), jalankan ulang penginstal driver GPU Google Cloud :

      sudo python3 cuda_installer.pyz install_driver
      

Debian

  1. Periksa versi kernel yang berjalan:

    uname -r
    
  2. Periksa apakah penginstalan driver sebelumnya dalam mode binary mengunci paket kernel, seperti saat Anda menggunakan instance komputasi --force-version, --installation-branch=lts, atau NVIDIA RTX Virtual Workstation (vWS):

    apt-mark showhold
    

    Periksa apakah linux-image-cloud-amd64 atau linux-headers-cloud-amd64 tercantum.

  3. Pastikan apakah header kernel telah diinstal untuk kernel yang sedang berjalan:

    dpkg -l | grep "linux-headers-$(uname -r)"
    
  4. Jika paket meta kernel ditahan, hapus kunci paket:

    sudo apt-mark unhold linux-image-cloud-amd64 linux-headers-cloud-amd64
    
  5. Instal header kernel untuk kernel yang sedang berjalan:

    sudo apt-get update && sudo apt-get install -y linux-headers-$(uname -r)
    
  6. Bangun ulang dan muat modul kernel NVIDIA:

    • Jika sumber modul DKMS terdaftar (periksa sudo dkms status):

      sudo dkms autoinstall
      sudo modprobe nvidia
      nvidia-smi
      
    • Jika sudo dkms status tidak menampilkan modul NVIDIA yang terdaftar (misalnya, jika driver sebelumnya diinstal menggunakan biner .run tanpa --dkms), jalankan ulang penginstal driver GPU Google Cloud :

      sudo python3 cuda_installer.pyz install_driver
      

RHEL dan Rocky Linux

  1. Periksa versi kernel yang berjalan:

    uname -r
    
  2. Periksa apakah penginstalan driver sebelumnya dalam mode binary mengunci paket kernel, seperti saat Anda menggunakan instance komputasi --force-version, --installation-branch=lts, atau NVIDIA RTX Virtual Workstation (vWS):

    grep "^exclude=.*kernel" /etc/dnf/dnf.conf
    
  3. Pastikan apakah header kernel telah diinstal untuk kernel yang sedang berjalan:

    rpm -qa | grep "kernel-devel-$(uname -r)"
    
  4. Jika paket kernel dikecualikan, hapus kernel* dari baris exclude= di /etc/dnf/dnf.conf.

  5. Instal header kernel untuk kernel yang sedang berjalan:

    sudo dnf install -y kernel-devel-$(uname -r) kernel-headers-$(uname -r)
    
  6. Bangun ulang dan muat modul kernel NVIDIA:

    • Jika sumber modul DKMS terdaftar (periksa sudo dkms status):

      sudo dkms autoinstall
      sudo modprobe nvidia
      nvidia-smi
      
    • Jika sudo dkms status tidak menampilkan modul NVIDIA yang terdaftar (misalnya, jika driver sebelumnya diinstal menggunakan biner .run tanpa --dkms), jalankan ulang penginstal driver GPU Google Cloud :

      sudo python3 cuda_installer.pyz install_driver
      

Memecahkan masalah Booting Aman

Jika Anda menginstal driver NVIDIA di instance komputasi dengan Booting Aman diaktifkan dan nvidia-smi gagal berkomunikasi dengan driver NVIDIA, Booting Aman mungkin memblokir pemuatan modul kernel yang tidak ditandatangani.

Untuk mendiagnosis dan menyelesaikan masalah ini, selesaikan langkah-langkah berikut:

  1. Periksa apakah Booting Aman menolak modul kernel karena tanda tangan yang tidak ada atau tidak valid:

    sudo dmesg | grep -iE 'secure boot|nvidia'
    
  2. Jika Booting Aman memblokir modul, tanda tangani modul driver secara manual dan daftarkan Machine Owner Key (MOK) Anda, atau gunakan OS image dengan modul kernel yang telah ditandatangani sebelumnya. Untuk mengetahui petunjuknya, lihat Menginstal driver GPU (VM Booting Aman).

Mereset GPU

Beberapa masalah mungkin mengharuskan Anda mereset GPU. Untuk mereset GPU, selesaikan langkah-langkah berikut:

  • Untuk VM N1, G2, A2, dan G4 dengan satu atau beberapa GPU terpasang, mulai ulang VM.
  • Untuk VM G4 dengan GPU pecahan (kurang dari satu GPU yang terpasang), selesaikan langkah-langkah berikut:
    1. Hapus VM.
    2. Buat ulang VM.
  • Untuk instance A3, A4, A4X, dan A4X Max, jalankan sudo nvidia-smi --gpu-reset.
    • Untuk sebagian besar VM Linux, file yang dapat dieksekusi nvidia-smi terletak di direktori /var/lib/nvidia/bin.
    • Untuk node GKE, file yang dapat dieksekusi nvidia-smi berada di direktori /home/kubernetes/bin/nvidia.
  • Untuk instance A3, A4, A4X, dan A4X Max di node GKE, Anda juga dapat menggunakan gpu-reset-tool untuk mengotomatiskan reset semua GPU di node. Alat ini hanya mengharuskan Anda menentukan nama node target.

Atau, GPU juga direset setiap kali Anda mereset VM atau menghentikan dan memulai ulang VM. Untuk mengetahui informasi selengkapnya tentang status siklus proses VM dan perbedaan antara tindakan pemulihan VM, lihat Siklus proses instance Compute Engine dan Menangguhkan, menghentikan, atau mereset instance Compute Engine.

Membuka kasus dukungan

Jika Anda tidak dapat menyelesaikan masalah menggunakan panduan di halaman ini, kumpulkan informasi berikut dan buka kasus dukungan:

  • Project ID dari project tempat instance yang terpengaruh berada.
  • Daftar semua nama atau ID instance dalam cluster.
  • Daftar node yang dicurigai yang diidentifikasi melalui pemecahan masalah.
  • Log NCCL lengkap yang tidak disisipkan dengan setelan debug diaktifkan.
  • Output dari health check hardware (dcgmi, nvidia-smi).
  • Perintah benchmark atau workload yang tepat yang gagal.
  • File log yang relevan seperti mesin host dan log diagnostik. Untuk mengumpulkannya, jalankan gather-dcgm-logs.sh, yang terletak di /usr/local/dcgm/scripts dalam penginstalan default.
  • Laporan bug NVIDIA. Jalankan nvidia-bug-report.sh. Untuk GPU Blackwell dan yang lebih baru, ikuti Membuat laporan bug untuk GPU Blackwell dan yang lebih baru.
  • Detail tentang perubahan terbaru yang dilakukan pada lingkungan Anda sebelum kegagalan.

Langkah berikutnya

Tinjau jenis mesin GPU.