标签: #장애 진단
用亲手运行、亲手测量的数据来写 Kubernetes、DevOps 与 MLOps · 1 篇
← 全部文章
本篇基于NVIDIA官方文档，系统梳理了DCGM指标、XID代码、ECC、NVLink、降频降级（Throttling & PCIe Downgrade）、单个慢速GPU拖慢整体的现象，并将其与Kubernetes的隔离、自动恢复、告警设计结合起来。作者的实验环境仅为消费级GPU，因此没有经历过XID和ECC故障的记录，同时在消费级GPU上通过实测输出展示了指标缺失的现象。
2026-10-07 · 32 分钟阅读 #DCGM#XID#ECC#NVLink#스로틀링
