Masalah umum

GPU yang dikelompokkan

Halaman ini menjelaskan masalah umum yang mungkin Anda alami saat menjalankan VM atau cluster yang dioptimalkan untuk AI. Untuk masalah terkait VM Compute Engine, lihat Masalah umum Compute Engine.

Masalah

Bagian berikut mencantumkan masalah umum dan solusinya untuk AI Hypercomputer.

Gangguan workload pada VM A4 karena masalah firmware untuk GPU NVIDIA B200

NVIDIA telah mengidentifikasi dua masalah firmware untuk GPU B200, yang digunakan oleh VM A4. Masalah ini dapat menyebabkan gangguan workload, seperti perintah nvidia-smi yang tidak merespons. Jika Anda melihat gangguan workload pada VM A4, pastikan salah satu kondisi berikut benar:

• Waktu aktif VM (lastStartTimestamp) melebihi 65 hari.
• Log menampilkan pesan error Xid 149 yang menyebutkan 0x02a.

Jika salah satu kondisi ini benar, Anda harus mereset GPU yang terpasang ke VM A4. Untuk mencegah gangguan pada workload Anda di masa mendatang karena masalah firmware, sebaiknya reset GPU Anda setidaknya sekali setiap 60 hari. Untuk mengetahui informasi selengkapnya, lihat Mereset GPU.

Catatan: Jika VM A4 Anda adalah bagian dari cluster GKE, Anda dapat menggunakan alat reset node GPU GKE untuk mengatasi masalah GPU kecil, seperti perintah nvidia-smi yang tidak responsif, tanpa melakukan booting ulang VM.

Server metadata mungkin menampilkan metadata VM physicalHost lama

Setelah mengalami error host atau menggunakan report faulty host API untuk memindahkan instance komputasi ke host baru, saat Anda membuat kueri server metadata, server tersebut mungkin menampilkan metadata physicalHost dari host sebelumnya untuk instance komputasi.

Untuk mengatasi masalah ini, lakukan salah satu tindakan berikut:

• Gunakan metode instances.get atau perintah gcloud compute instances describe untuk mengambil informasi physicalHost yang benar.
• Hentikan, lalu mulai instance Anda. Proses ini memperbarui informasi physicalHost di server metadata.
• Tunggu 24 jam hingga informasi physicalHost instance yang terpengaruh diperbarui.