Errores Xid
Leerlo en el Capítulo 3 · checkpoint +50 XP →
Códigos de error que el driver del kernel de NVIDIA escribe en el log del sistema cuando algo sale mal en una GPU.
Un Xid es la forma del driver de decir "esta GPU tuvo un problema". Aparece en el log del kernel (dmesg, journalctl -k) como NVRM: Xid (PCI:0000:xx:00.0): <código>, .... Los mensajes los emite el driver del kernel, que puedes leer en open-gpu-kernel-modules de NVIDIA.
Códigos que todo operador de GPUs debería reconocer
| Xid | Significado | Acción típica |
|---|---|---|
| 13, 31, 43 | Errores de la aplicación (acceso inválido a memoria, instrucción ilegal) | Normalmente el código del usuario |
| 48 | Error ECC no corregible (doble bit) | Reset de la GPU, revisar row remapping, vigilar si se repite |
| 63, 64 | Eventos de row remapping | Reset cuando esté libre; RMA si el remapeo falla |
| 74 | Error de NVLink | Revisar enlaces, reasentar, correr nccl-tests |
| 79 | La GPU se cayó del bus | Drain del nodo, reinicio, probablemente ticket de hardware |
| 94, 95 | Error ECC contenido / no contenido | Contenido: solo afecta a la app. No contenido: reset |
Patrón de operación: alerta de Xid vía DCGM, drain del nodo en Slurm con el Xid en el motivo, requeue de los trabajos afectados desde sus checkpoints y luego diagnóstico fuera de línea.
Úsalo en una misión
Relacionado
Fuentes y lecturas adicionales
- NVIDIA Xid Errors
- NVIDIA open-gpu-kernel-modules — open-source Linux GPU kernel driver
- NVIDIA DCGM documentation
Escrito para LazyLab con nuestras propias palabras; las fuentes se citan para profundizar y verificar.