タグ: #장애 진단

← すべての記事

• GPU ハードウェア・ドライバ障害診断

  DCGM 指標、XID コード、ECC・NVLink・スロットリング・PCIe 降格、遅い 1 つの GPU が全体を遅くする現象を NVIDIA 公式ドキュメント基準で整理し、Kubernetes の隔離・自動復旧・アラート設計につなげます。筆者の実験環境はコンシューマー向け GPU のみであるため XID・ECC 障害を経験した記録がなく、コンシューマー向け GPU で指標が欠落する様子を実測出力で示します。

  2026-10-07 · 32 分で読めます #DCGM#XID#ECC#NVLink#스로틀링