Om ditt DGX A100 -system inte svarar under firmware -uppdateringsprocessen, följ dessa steg för att felsöka och potentiellt lösa problemet:
1. Power Cycle Systemet: Om systemet är helt svarande och inte kan nås via SSH eller BMC -gränssnittet kan du prova att cykla det. Detta innebär att stänga av systemet genom BMC (baseboardhanteringskontroller) om möjligt, eller fysiskt koppla ur alla strömförsörjningar och sedan koppla in dem igen. Detta kan ibland lösa problem relaterade till firmware -uppdateringar som har fått systemet att hänga [4].
2. Kontrollera BMC -loggar: Använd BMC -gränssnittet för att kontrollera för eventuella felmeddelanden eller loggar som kan indikera vad som gick fel under uppdateringen. Detta kan ge ledtrådar om vilken komponent som misslyckades eller om det fanns några specifika fel under uppdateringsprocessen.
3. Verifiera nätverksanslutning: Se till att systemet har stabil nätverksanslutning. Ibland kan nätverksproblem få uppdateringar att misslyckas eller hänger. Kontrollera att systemet kan komma åt nödvändiga förvar eller uppdatera servrar om uppdateringen utfördes via nätverket [2].
4. Återtagning av firmware-uppdateringen: Om systemet blir lyhörd efter en strömcykel kan du försöka återföra firmware-uppdateringsprocessen. Se till att du använder den senaste firmwareversionen som finns tillgänglig från Nvidias supportportal [3]. Om du använder PXE -start för uppdateringar, kontrollera att PXE -konfigurationen är korrekt och att firmware -uppdateringsbilden är ordentligt iscensatt på headnode [3].
5. Kontakta NVIDIA -support: Om problemet kvarstår efter att ha försökt ovanstående steg kan det vara nödvändigt att kontakta NVIDIA -stödet för ytterligare hjälp. De kan ge specifik vägledning baserat på de felmeddelanden du har stött på och kan ha ytterligare felsökningssteg eller tillgängliga korrigeringar [3] [7].
6. Kontrollera om kända frågor: Se NVIDIA: s dokumentation om kända problem relaterade till firmwareuppdateringar för DGX A100. Vissa uppdateringar kan ha specifika lösningar eller krav som måste följas för att undvika vanliga fallgropar [5].
7. Kontrollera systemhändelseloggar: Använd verktyg som `ipmitool` för att rensa systemhändelseloggen (SEL) och inspektera den för alla relevanta felmeddelanden. Detta kan hjälpa till att identifiera hårdvaru- eller firmware -problem som kan bidra till problemet [4].
8. Manuell intervention: I vissa fall kan manuell intervention krävas för att uppdatera specifika komponenter. Detta kan innebära att man använder specifika flaggor eller kommandon för att rikta in sig på enskilda komponenter för uppdatering, som beskrivs i firmware -uppdateringsdokumentationen [1].
Genom att följa dessa steg bör du kunna diagnostisera och potentiellt lösa problem relaterade till firmwareuppdateringar på ditt DGX A100 -system.
Citeringar:
[1] https://github.com/nvidia/deepops/blob/master/docs/deepops/dgx-diagnostic-firmware.md
[2] https://docs.nvidia.com/dgx/dgxa100-user-guide/updating-restoring-sw.html
]
[4] https://forums.developer.nvidia.com/t/dgx-a100-hangs-with-jffs2-errors/296729
]
[6] https://github.com/nvidia/nvidia-container-runtime/issues/85
[7] https://forums.developer.nvidia.com/t/dgx-workstation-a100-firmware-update-failed/317627
[8] https://cve.mitre.org/cgi-bin/cvey.cgi
