NVIDIA常见XID错误解读（附带ECC错误清理）

最新推荐文章于 2025-09-02 21:20:47 发布

一个爱学习的菜鸡

最新推荐文章于 2025-09-02 21:20:47 发布

阅读量1k

点赞数 9

CC 4.0 BY-SA版权

文章标签： linux 运维服务器 gpu算力

本文链接：https://blog.csdn.net/weixin_45779793/article/details/149797716

NVIDIA常见XID错误解读（附带ECC错误清理）

Xid 13

：此事件记录的是一般用户应用程序故障。通常，这是一个越界错误，即用户越过了数组的末尾，但也可能是非法指令、非法寄存器或其他情况。

Xid 31

：当 MMU 报告故障时（例如，芯片上的某个单元进行了非法地址访问），会记录此事件。通常，这些是应用程序级错误，但也可能是驱动程序错误或硬件错误。

Xid 32

当 DMA 控制器（用于管理 NVIDIA 驱动程序与 GPU 之间通过 PCI-E 总线的通信流）报告故障时，会记录此事件。这些故障主要涉及 PCI 上的质量问题，通常不是由用户应用程序操作引起的。

Xid 43

当用户应用程序遇到软件引发的故障且必须终止时，会记录此事件。GPU 仍保持健康状态。

在大多数情况下，这并不表示驱动程序存在错误，而是用户应用程序存在错误。

Xid 45

当用户应用程序中止且内核驱动程序关闭 GPU 上运行的 GPU 应用程序时，会记录此事件。Ctrl-C、GPU 重置、sigkill 都是应用程序中止并创建此事件的示例。

Xid 48

当 GPU 检测到 GPU 上发生无法纠正的ECC错误时，会记录此事件。此错误也会报告给用户应用程序。需要重置 GPU 或重启节点才能清除此错误。（执行清理ECC）

Xid 63, 64

当 GPU 处理 GPU 上的 ECC 内存错误时，会记录这些事件。（执行清理ECC）

Xid 74

当 GPU 检测到 GPU 与其他 GPU 或 NVSwitch（通过 NVLink）之间的连接出现问题时，会记录此事件。需要重置 GPU 或重启节点才能清除此错误。
此事件可能表示链路本身出现硬件故障，也可能表示链路远端的设备出现问题。例如，如果一个 GPU 发生故障，则通过 NVLink 连接到该 GPU 的另一个 GPU 可能会报告。Xid 74，仅仅是因为链路因此中断。查看lspci |grep -i nvidia是否有4个NVlink和systemctl statu nvidia-fabricmanager查看NVSWitch

Xid 79

当 GPU 驱动程序尝试通过其 PCI Express 连接访问 GPU 并发现 GPU 不可访问时，会记录此事件。此事件通常是由 PCI Express 链路上的硬件故障引起的，导致 GPU 因链路断开而无法访问。查看系统事件日志和内核 PCI 事件日志或许能提供更多关于链路故障来源的线索。此事件也可能是由 GPU 硬件故障或其他驱动程序问题引起的。

Xid 93

当 GPU 驱动程序因违反使用 NVFlash 为 GPU 设置的预配置 InfoROM 磨损限制而无法更新 InfoROM 时，会记录此事件。nvflash --=elsessionstart。在大多数情况下，这并不表示驱动程序或闪存出现故障，而是 NVFlash 设置的 InfoROM 磨损保护功能的故意使用。