GPU集群故障分析：大型AI训练中的硬件问题与影响

核心问题

• 在大型AI计算集群（如使用上千块GPU卡训练大模型）中：
  • GPU硬件会出哪些毛病？
  • 这些问题发生的频率、严重程度如何？
  • 最终对AI训练任务有什么影响？

研究对象

• Delta AI 计算集群：
  • 共有 1168 块 GPU（含 A40、A100、H100 等型号）
  • 运行时间：两年半
  • 数据来源：完整记录了该时间段内的所有 GPU 故障信息

关键发现（通俗版）

GPU最怕坏的不是显存，是“心脏”和“血管”！

“心脏”脆弱（GPU硬件本身）：

• 平均每 800个节点小时 就会发生一次问题（如GPU死机、通信失败）。
• 比人们普遍担心的显存错误 频繁30倍以上！

“血管”爱堵（NVLink连接）：

• GPU之间的高速通信通道 NVLink 极易出错！
• 平均每 6.9小时 就会报告一次 NVLink 错误。
• 好消息：其中 2/3 的情况能被系统自动修复（重传机制），只有 1/3 导致任务失败。

“显存”相对可靠：

• 显存相关的严重错误（双比特错误 DBE）非常少见。
• 平均 2.6万节点小时 才发生一次显存致命错误。

“新管家” GSP 不太靠谱：

• 新一代GPU中负责管理底层硬件的模块 GSP 是最脆弱的部件之一。
• 一旦 GSP 出错，GPU几乎立即“罢工”（>99%概率）。
• 必须重启整个服务器节点才能恢复，耗时可能长达 23小时。

小错变大错，连锁反应严重：

PMU通信小错是“雷”：

• GPU内部电源管理单元 PMU 出现通信错误后：
  • 82% 的几率 会立刻引发更严重的 MMU内存管理错误。
  • 而这个 MMU 错误 几乎100% 会导致训练任务崩溃。

NVLink错误“传染性”弱：

• NVLink 出错时：
  • 86% 的情况只影响单个GPU
  • 只有 14% 会波及同节点其他GPU

显存坏了也能“自救”，效果不错：

现代GPU（如 A100/H100）具备强大的“自愈”能力来应对显存错误：

1. 第一步：换行（XID 63）

   • 发现坏点后，尝试进行“行重映射”
   • 大多数情况下可以解决

2. 第二步：隔离（XID 94）

   • 如果换行失败，就封锁坏掉的显存区域
   • GPU仍可继续运行

3. 第三步：崩溃（XID 95）

   • 隔离失败时才会导致彻底宕机
   • 需要手动重启

• 最终效果：得益于这些机制，70.6% 的严重显存错误被成功控制住，GPU没有立即挂掉，训练任务还能继续运行（直到下一次维护）。

哪些错误最常搞垮AI训练任务？

从数据来看：

• MMU 内存管理错误 (XID 31) 是导致训练作业失败的 头号原因。
• 其他常见导致任务失败的错误包括：
  • GPU死机
  • GSP超时
  • NVLink严重错误
  • 显存隔离失败

---

• 别光担心显存：

  • 大型AI集群运维中，GPU芯片本身和NVLink连接才是故障高发区，比显存问题频繁得多。

• GSP是个坑：

  • 新一代GPU的GSP虽然设计初衷良好，但目前稳定性堪忧，一出事就是大事。

• 小错会引爆：

  • PMU通信错误看似不起眼，却极易引发致命错误，必须高度警惕。

• NVLink很“娇气”：

  • NVLink错误非常频繁，好在大多数能被系统吸收，但仍有不少会导致任务失败。

• 内存容错真有用：

  • A100/H100 的显存自愈技术（换行+隔离）显著减少了因显存问题导致的宕机。

• 运维重点建议：

  • 应优先关注：
    • GPU硬件健康
    • GSP状态
    • PMU通信
    • NVLink错误率
    • MMU错误
  • 显存监控重要，但相对压力较小。

---

真实大型集群的数据告诉我们：

AI算力的“心脏”（GPU芯片）和“血管”（NVLink）比“仓库”（显存）更容易出问题。尤其是新一代的“管家”（GSP）和不起眼的“电线”（PMU）最容易引发大故障。

理解这些规律对于建设和维护超大规模AI训练集群至关重要。