3. NVIDIA GPU Xid 常见错误码全解析、故障定位与标准化处理方案

原创 已于 2026-06-22 10:51:07 修改 · 13 阅读 · 0 GEO检测
标签
#GPU #服务器 #人工智能 #运维
于 2026-06-22 10:49:04 首次发布

目录

一、Xid 基础概述

1. 什么是 Xid

2. Xid 故障四大分类

3. 通用日志采集命令（排查前置必执行）

二、应用程序类 Xid（软件故障，无硬件损坏）

Xid 13 图形引擎异常

报错日志特征

触发根因

排查与处理

Xid 31 MMU 内存管理单元故障

报错日志特征

触发根因

处理方案

Xid 43 看门狗超时、引擎卡死

报错日志特征

触发根因

处理方案

Xid 45 通道强制移除（良性日志）

报错日志特征

触发根因

处理方案

三、显存 ECC 硬件类 Xid（显存损坏，硬件隐患）

Xid 48 不可纠正双位 ECC 错误（严重故障）

报错日志特征

触发根因

危害

分层处理

Xid 63 成功屏蔽损坏显存页

报错日志特征

含义

处理

Xid 64 显存页面屏蔽失败（致命）

报错日志特征

触发根因

处理

四、PCIe/NVLink/ 供电 / 温控类 Xid

Xid 54 电源故障检测

日志：Xid 54 Power supply fault detected

根因

处理

Xid 69 温度过热节流

日志：Xid 69 Thermal throttling event

根因

处理

Xid 74 NVLink 链路故障（A100/H100 多卡）

日志：Xid 74 NVLink communication error

根因

处理

Xid 79 PCIe 总线失联（硬件彻底断连）

日志：Xid 79 GPU fell off PCI bus

区分 Xid119：Xid79 是 PCI 物理通道断开，lspci无法识别显卡；Xid119 PCI 正常仅 GSP 卡死。

根因

处理

五、GSP 固件核心故障（Xid119/Xid120/Xid154，多卡服务器最高频故障）

Xid 119 GSP RPC 通信超时（核心故障）

标准报错

背景说明

五大根因

分级处理方案（从低成本到硬件更换）

Xid 120 GSP 内核崩溃

报错：Xid 120 GSP firmware crash

Xid 154 GPU 需要硬件复位（伴随 119/120 次生报错）

标准日志

含义

现象配套

处理

六、Xid 标准化通用排查流程（全故障适用）

步骤 1：日志采集，锁定故障 GPU

步骤 2：软件层修复（无需拆机）

步骤 3：底层硬件链路核验

步骤 4：硬件断电复位（GSP 类故障专属）

步骤 5：交叉验证区分故障载体

七、运维预防措施

八、实战案例：RTX4090 Xid119+Xid154 静电锁死复盘

环境

故障现象

排障流程

根因总结

一、Xid 基础概述

1. 什么是 Xid

Xid（Exception ID）是 NVIDIA 内核驱动 NVRM 输出的硬件 / 软件异常日志，打印于dmesg、journalctl -k、系统内核日志。当 GPU 算力引擎、显存、PCIe、GSP 固件、NVLink、CUDA 程序、供电温控出现异常时，驱动会输出标准化 Xid 报错，每条日志包含故障 PCI 总线、GPU 编号、故障码、异常描述，是定位显卡故障唯一核心依据NVIDIA 文档中心。 标准日志格式示例：

NVRM: Xid (PCI:0000:98:00): 119, pid=3744, Tim
了解本专栏 订阅专栏 解锁全文
2. NVIDIA Xid 故障码全解析手册（以 Xid119/Xid154 为核心，含全系列常见故障、排查、修复、运维方案）
最新发布
jundao1997的专栏
06-22 9
NVIDIA GPU Xid故障排查手册摘要 本手册针对NVIDIA GPU（含RTX/数据中心卡）常见Xid错误提供标准化解决方案，重点解析Xid119（GSP通信超时）与Xid154（GPU强制复位）的故障机理及分层修复流程。 核心内容： Xid基础理论 Xid是NVIDIA驱动的硬件/软件错误代码，跨架构/驱动版本通用。日志包含PCI总线、进程ID及错误描述，通过dmesg或nvidia-smi捕获。 GSP处理器（Ampere架构起引入）是Xid119/154的根源，负责硬件管理，其固件异常或静电干
模型服务化实战：从Notebook到高可用ML生产环境
weixin_34025051的博客
06-16 409
机器学习模型服务化（Model Serving）是将训练完成的算法转化为稳定、低延迟、可观测的在线API的关键工程阶段。其核心在于解决Notebook与生产环境间的运行时契约错位——包括并发处理、依赖一致性、冷启动优化及输入输出校验等根本性问题。技术上需权衡gRPC/HTTP协议选型、ONNX模型序列化替代Pickle、Pydantic契约驱动验证、资源隔离与熔断机制，并深度集成Kubernetes与可观测性栈（Prometheus/Loki/Tempo）。本文聚焦真实落地中影响P95延迟<200ms、99
银河麒麟 V11服务器安装nginx教程、国产麒麟 V11安装nginx
my_futrue的博客
06-17 236
安装服务器前先检查服务器的内核：uname -a。银河麒麟 V11类库里的nginx版本是1.24。我拿到的是v11,所以去找银河麒麟11的类库。根据自己的实际需求安装对应类库。剩余nginx配置看自己需求，
77、线程池原理和实现------服务器源码解析----云视频服务项目
森G
06-16 143
本文介绍线程池的原理，并实现了线程池boostasio-learn: boostasio学习笔记 - Gitee.com。
服务器CPU多少个lane够用？
baidu_38316985的博客
06-17 305
服务器平台（Enterprise Server）——截至2026年中，Intel 和 AMD 最新一代。
产业边缘算力节点硬件调研：RTX5090 服务器市场占用数据分析
Z1980658_的博客
06-17 599
从全年市场调研数据与落地交付情况来看，在产业边缘算力节点赛道，RTX5090 8 卡机架服务器已经成为中型本地化算力底座的主流选择，市场占有率持续快速提升，核心竞争力集中在均衡算力、可控采购成本、工业边缘环境高适配性三点。云 - 边 - 端协同是行业长期发展主线，本地边缘算力需求不会短期回落。深圳市智恒百亿科技将持续迭代 7U 八卡 RTX5090 服务器硬件架构，针对工业、大模型、安防等细分边缘场景推出定制化机型，为各行业客户提供稳定、高性价比的边缘算力硬件解决方案。
Linux 搭建及配置 DNS 服务器 — 实操指南
cpyaxjq的博客
06-17 294
本文是一篇关于在Linux系统上搭建和配置DNS服务器的实操指南。主要内容包括： DNS基础知识 DNS作用：将域名转换为IP地址 系统DNS配置文件解析（/etc/resolv.conf、/etc/hosts等） 常见DNS记录类型（A、AAAA、CNAME、MX等）及查询示例 DNS解析原理 解析流程图示：从根服务器到权威DNS的逐级查询 全球13组根服务器介绍 递归解析过程演示（使用dig +trace命令） BIND9服务器搭建 系统环境：Ubuntu 24.04 LTS 安装和配置BIND9服务
VS Code 完整安装与远程开发实战教程（Windows + Ubuntu 服务器 + Codex + RT1 环境部署）
weixin_46200189的博客
06-22 356
本文完整覆盖了 VS Code 从本地安装、远程服务器连接、AI 编码插件配置，到工业级算法环境部署的全流程。本地轻量编辑，算力全部下沉到服务器，兼顾开发体验与计算性能Codex 本地生成代码，API 密钥不上传服务器，降低数据安全风险Remote-SSH 无缝衔接文件、终端、调试，一体化开发效率更高。
防火墙l2tp使用本地用户配置案例
huainingning的博客
06-16 175
如上图，防火墙作为出口安全设备，对外配置NAT实现内网用户访问互联网，对内提供l2tp vpn服务器拨入，允许外部用户拨入l2tp vpn后再访问内网服务器资源。防火墙连接互联网接口配置NAT。配置l2tp接口加入到安全域。配置l2tp vpn地址池。配置l2tp domain。配置l2tp group。配置l2tp VT接口。配置l2tp本地用户。
102、paddleocr-v6迁移昇腾A3服务器
sxj731533730
06-19 220
本文介绍了将PaddleOCR-v6模型迁移至昇腾A3服务器的完整流程。首先在CPU环境下测试基准效果，通过PaddleOCR工具进行图片文字识别测试。随后将检测和识别模型转换为ONNX格式，并详细说明了动态shape支持下的模型转换命令。接着展示了使用ONNX Runtime进行推理的完整代码实现，包括检测预处理、后处理以及识别模块的CTC解码过程。针对昇腾平台，提供了ATC工具转换ONNX模型为OM格式的具体参数配置，重点说明了动态维度的设置方法。最后给出了基于ais_bench的NPU推理脚本
76、仿ASIO实现的Linux c++服务器------服务器源码解析----云视频服务项目
森G
06-16 103
ET模式是边缘触发模式，只会触发一次，当接收缓冲区由空变为有数据，就会触发一次。如果我们不把数据读完，将来不会再次触发。LT模式，只要TCP缓冲区有数据，就会触发事件，所以可以不用读空，每次都多少取决于自己的逻辑。ET模式需要循环读取，直到读空，读空方式为EAGAIN /EWOULDBLOCK。线程池 相关文档，我自己实现的。返回一个成员函数，值为模板类型。整个配置管理类是单例模式。
高防服务器有哪些特点，对比云服务器有什么优势
shangguan_001的博客
06-17 299
若业务面临高频攻击风险，优先选择高防服务器；若需灵活扩展且攻击风险低，云服务器更具性价比。部分云服务商也提供“高防云服务器”选项，可结合需求评估。
低配服务器上 HBase 从部署到 Java 访问完整指南
a_Zuo_KuiPi的博客
06-17 370
向Java初学者的HBase实践指南，重点讲解如何在低配云服务器上通过Docker部署单机HBase，并使用本地SpringBoot项目实现基础CRUD操作。
企业级 GPU 服务器供电冗余设计 —— 高密度 8 卡 RTX5090 机型架构科普
Z1980658_的博客
06-16 847
高密度 8 卡 RTX5090 服务器的长期稳定运行能力，不能仅依靠显卡、处理器等算力硬件性能，供电系统是保障算力持续输出的底层核心结构。4+1 多模组热插拔冗余供电架构，弥补了传统单电源、双电源架构在长周期高负载场景下的运行短板，搭配负载均衡、远程状态监控、不停机维护等配套设计，适配需要连续运行的企业算力、高校科研机房场景。在开展多卡服务器硬件架构设计、设备选型评估时，除显存、算力等基础参数外，供电冗余架构可以作为核心技术评估维度，从硬件底层减少设备异常停机带来的运维问题。
Linux nfs 自动挂载
AimHang
06-16 457
本文介绍了NFS网络文件共享的配置过程。上位机通过安装nfs-kernel-server，配置/etc/exports文件共享/share目录，设置访问权限为192.168.31.180/24网段可读写。下位机安装nfs-common客户端后，创建/share目录并挂载上位机共享，通过showmount命令验证共享是否成功。整个流程包括服务端配置和客户端挂载两个主要步骤，实现了跨主机的目录共享功能。
CentOS UEFI系统如何在Dell服务器BIOS模式下成功引导
一只从事运维行业的“北部玄驹”哦
06-16 276
摘要：本文记录了Dell服务器因启动模式不匹配导致系统无法启动的故障处理过程。服务器需Legacy模式识别RAID，但CentOS系统基于EFI安装，导致内核报错。通过救援模式检查硬件状态、重建Legacy引导（强制安装GRUB、修改grub.cfg）临时解决问题。后续发现CMOS电池失效导致配置重置，以及内存氧化引发二次故障，通过清洁内存金手指临时恢复。文章提供了EFI系统转Legacy启动的应急方案，并指出需更换CMOS电池彻底解决配置丢失问题。
企业机房UPS只接服务器不接网络行吗
2503_91360785的博客
06-20 226
很多企业运维人员在规划机房供电时，会考虑把UPS只连服务器，省下网络设备的线路。这种想法看上去省钱省事，但实际运行中会埋下不小的隐患。机房中存在着各类网络设备
服务器内存紧张临时处理及优化，对php-fpm配置优化
liuyicenysabel的博客
06-20 239
1、执行sync && sysctl -w vm.drop_caches=1 清理页缓存。好久没登录我的一个小服务器了，今天一看，内存都快满了，可能是各种缓存，必须上优化。2、swapoff -a && swapon -a 回收swap占用。重启生效systemctl restart php-fpm。清理完了之后，再配置php-fpm，自动清理请求后的内存。嗯嗯，过几天再观察看看。
vnpy-01 服务器图形化环境与 AI Agent 部署文档
cpyaxjq的博客
06-17 257
摘要 本文是高级Bash脚本编程指南，包含以下核心内容： Bash基础：介绍Bash作为Linux默认Shell的特点，展示版本检查和Shell类型对比表。 脚本入门：包含Hello World示例和三种执行方式（bash执行、直接执行、source执行）的区别说明。 特殊字符：详细讲解注释符#、命令分隔符;、引号差异（双引号/单引号）、命令替换$()、转义符\、冒号:和通配符?*的使用场景。 实战示例： 系统信息报告脚本（显示日期、用户、主机等系统信息） 简单倒计时脚本 变量替换与引号差异演示 环境说明：
79、服务器简历写法--------云视频服务项目
森G
06-16 59
广泛用于视频门禁对讲。该项目为云视频通话对讲后端服务(云视频会议，门禁云视频对讲，医疗对讲系统，矿工安全作业即时通信)，支持私有部署(安全性和私密性要求高的场景)，也只网络上云公有部署。1 消息队列，std::queue , 用链表封装的队列, 如果用链表封装，那么要有两个指针，head 指向头部，tail 指向尾部，入队时，加锁，并且向尾部插入，出队时加锁，并且从头部弹出。socket 编程，epoll, IO 多路复用技术，消息队列，日志系统，发送队列，线程池，互斥锁，设计模式，进程通信，管道。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

清风 001

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值