Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

Memecahkan masalah VM GPU

Panduan ini menjelaskan cara mendiagnosis dan mengatasi masalah umum pada VM Compute Engine yang memiliki GPU terpasang, termasuk error hardware dan bottleneck performa.

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.

Jika Anda ingin menggunakan DCGM untuk memecahkan masalah di lingkungan GPU, 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-langkah berikutnya untuk mengambil tindakan terkait 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 tertunda yang disebabkan oleh error yang tidak dapat dipulihkan. Output tersebut memberikan error_id unik dan saran tentang cara men-debug masalah. Untuk output contoh ini, sebaiknya Anda menguras GPU dan memulai ulang VM. Dalam sebagian besar kasus, mengikuti petunjuk di bagian output ini dapat membantu mengatasi masalah.

Memecahkan masalah performa GPU untuk VM A3

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

Mengidentifikasi node yang rusak

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

Menjalankan uji benchmark NCCL

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

Untuk mengidentifikasi nodeset, kelompokkan node Anda ke dalam set logis, misalnya, partisi di Slurm.
Untuk membuat hostfile, buat hostfile 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, a3-highgpu-8g VM memiliki 8 GPU, jadi Anda harus menentukan slots=8.
Untuk menjalankan benchmark, jalankan benchmark all_reduce_perf terhadap setiap nodeset secara individual.
```
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 hostfile 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.
Untuk menganalisis hasil, jika tugas berhenti atau menunjukkan bandwidth bus yang jauh lebih rendah (busbw) pada nodeset tertentu, set tersebut kemungkinan rusak.
Untuk membagi lagi, jika nodeset rusak, bagi hostfile-nya menjadi dua dan uji ulang untuk mempersempit penelusuran biner hingga Anda menemukan node yang berperilaku tidak semestinya.

Menganalisis log NCCL

Jika metode benchmark tidak menemukan node, analisis log NCCL mendetail.

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 non-interleaved yang unik untuk setiap proses.
Jika Anda menjalankan workload multi-node menggunakan mpirun, Anda harus menyebarkan variabel ini ke semua node menggunakan flag -x. Contoh:
```
mpirun -x NCCL_DEBUG -x NCCL_DEBUG_SUBSYS -x NCCL_DEBUG_FILE ...
          
```
Untuk menemukan error pertama, gunakan perintah berikut untuk menemukan peristiwa waktu tunggu 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.
Untuk menghitung operasi kolektif, node yang tertinggal akan menyelesaikan lebih sedikit operasi kolektif operasi. Hitung entri "opCount" untuk peringkat yang dicurigai:
```
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 NCCL
Untuk mengumpulkan lebih banyak data logging sebelum tugas dibatalkan, tingkatkan sementara waktu tunggu transfer data:
```
export NCCL_FASTRAK_DATA_TRANSFER_TIMEOUT_MS=3600000
        
```

Memantau pembatasan termal GPU

VM seri A3 dapat mengalami penurunan performa jika terus-menerus mencapai suhu lebih dari 87 °C saat berada di bawah beban. Untuk memeriksa pembatasan termal GPU di seluruh node dalam cluster, gunakan nvidia-smi atau dcgmi.

Menggunakan nvidia-smi

Untuk memeriksa suhu saat ini dan status pembatasan semua GPU di 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 dibatasi karena suhu tinggi.

Menggunakan dcgmi

Rangkaian diagnostik NVIDIA Data Center GPU Manager (DCGM) mencakup pemeriksaan 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 overheat dan memerlukan penyelidikan lebih lanjut.

Membuka kasus dukungan

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

project ID dan daftar semua nama atau ID instance di cluster.
Daftar node yang dicurigai yang diidentifikasi melalui pemecahan masalah.
Log NCCL lengkap dan non-interleaved dengan setelan debug diaktifkan.
Output dari pemeriksaan kesehatan hardware (dcgmi, nvidia-smi).
Perintah benchmark atau workload yang tepat yang gagal.
File log yang relevan seperti log mesin host dan 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, ikuti Membuat Laporan Bug NVIDIA untuk GPU Blackwell.
Detail tentang perubahan terbaru yang dilakukan pada lingkungan Anda sebelum kegagalan.

Meninjau pesan Xid

Setelah membuat VM yang memiliki GPU terpasang, 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.

Bagian berikut memberikan panduan tentang cara menangani beberapa pesan Xid yang dikelompokkan berdasarkan jenis yang paling umum: error memori GPU, error GPU System Processor (GSP), dan error akses memori ilegal.

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 (DBE).

Sebelum rilis GPU NVIDIA A100, penghentian halaman dinamis didukung. Untuk rilis GPU NVIDIA A100 dan yang lebih baru (seperti NVIDIA H100), pemulihan error pemetaan ulang baris diperkenalkan. ECC diaktifkan secara default. Google sangat merekomendasikan untuk mengaktifkan ECC.

Berikut adalah error memori GPU umum dan resolusi yang disarankan.

Pesan error Xid	Resolusi
`Xid 48: Double Bit ECC`	Hentikan workload Anda. Hapus dan buat ulang VM. Jika error berlanjut, ajukan kasus ke Cloud Customer Care.
`Xid 63: ECC page retirement or row remapping recording event`	Hentikan workload Anda. Reset GPU.
`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`	Hentikan workload Anda. Hapus dan buat ulang VM. Jika error berlanjut, ajukan kasus ke Cloud Customer Care.
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`	Hentikan workload Anda. Reset GPU. Dengan mereset GPU, proses pemetaan ulang baris dan penghentian halaman dapat diselesaikan dan GPU dapat dipulihkan.
`Xid 92: High single-bit ECC error rate`	Pesan Xid ini ditampilkan setelah driver GPU memperbaiki error yang dapat diperbaiki, dan tidak akan memengaruhi workload Anda. Pesan Xid ini hanya berisi informasi. Tidak ada tindakan yang diperlukan.
`Xid 94: Contained ECC error`	Hentikan workload Anda. Reset GPU.
`Xid 95: Uncontained ECC error`	Hentikan workload Anda. Reset GPU.

Error GSP

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

Pesan error Xid	Resolusi
`Xid 119: GSP RPC timeout`	Hentikan workload Anda. Hapus dan buat ulang VM. Jika error berlanjut, kumpulkan laporan bug NVIDIA dan ajukan a kasus ke Cloud Customer Care.
`Xid 120: GSP error`

Error akses memori ilegal

Xid berikut ditampilkan saat aplikasi mengalami masalah akses memori ilegal:

Xid 13: Graphics Engine Exception
Xid 31: GPU memory page fault

Error akses memori ilegal biasanya disebabkan oleh workload Anda yang mencoba mengakses memori yang sudah dikosongkan atau berada di luar batas. Hal ini dapat disebabkan oleh masalah seperti dereferensi pointer yang tidak valid, atau array di luar batas.

Untuk mengatasi masalah ini, Anda harus men-debug aplikasi. Untuk men-debug aplikasi, Anda dapat menggunakan cuda-memcheck dan CUDA-GDB.

Dalam beberapa kasus yang sangat jarang, penurunan kualitas hardware dapat menyebabkan error akses memori ilegal ditampilkan. Untuk mengidentifikasi apakah masalahnya terkait hardware Anda, gunakan NVIDIA Data Center GPU Manager (DCGM). Anda dapat menjalankan dcgmi diag -r 3 atau dcgmi diag -r 4 untuk menjalankan tingkat cakupan dan durasi pengujian yang berbeda. Jika Anda mengidentifikasi bahwa masalahnya terkait hardware, ajukan kasus ke Cloud Customer Care.

Pesan error Xid umum lainnya

Pesan error Xid	Resolusi
`Xid 74: NVLINK error`	Hentikan workload Anda. Reset GPU.
`Xid 79: GPU has fallen off the bus` Artinya, driver tidak dapat berkomunikasi dengan GPU.	Mulai ulang VM.
`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.	Hentikan workload Anda. Reset GPU.

Mereset GPU

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

Untuk VM N1, G2, dan A2, mulai ulang VM.
Untuk VM G4 yang memiliki kurang dari satu GPU terpasang, hapus dan buat ulang VM.
Untuk VM A3 dan A4, jalankan sudo nvidia-smi --gpu-reset.
- Untuk sebagian besar VM Linux, executable nvidia-smi terletak di direktori /var/lib/nvidia/bin.
- Untuk node GKE, executable nvidia-smi terletak di direktori /home/kubernetes/bin/nvidia.
- Jika menggunakan node GKE, Anda 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 memulai ulang VM.

Jika error berlanjut setelah mereset GPU, Anda harus menghapus dan membuat ulang VM.

Jika error berlanjut setelah menghapus dan membuat ulang, ajukan kasus ke Cloud Customer Care untuk memindahkan VM ke tahap perbaikan.

Langkah berikutnya

Tinjau jenis mesin GPU.

Memecahkan masalah VM GPU Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.