GPU異常檢測與自動隔離 - Container Service for Kubernetes

ACK通過ack-node-problem-detector（NPD）組件監測GPU資源的健康狀態。當GPU節點出現XID/SXID錯誤等異常時，NPD組件自動檢測並隔離異常GPU卡，此時其他正常的GPU可以繼續提供服務，以儘可能減少業務上的損失，提高叢集的可靠性和營運效率。

前提條件

已安裝ack-node-problem-detector（NPD），且組件版本為1.2.24及以上。
0.17.0及以上版本的ack-nvidia-device-plugin與1.2.24及以上版本的NPD搭配使用時，當NPD檢測到GPU異常時，將自動隔離GPU卡，當NPD檢測到GPU恢複正常後，將自動解除GPU卡的隔離。

關於如何查看ack-nvidia-device-plugin組件版本以及升級組件，請參見查看NVIDIA Device Plugin版本。

ack-node-problem-detector（NPD）是ACK基於社區開源專案node-problem-detector改造和增強叢集節點例外狀況事件監控組件，提供豐富的GPU異常檢測項以增強GPU情境的異常發現能力。發現對應的異常時，組件會根據異常類型產生相應的Kubernetes Event或Kubernetes Node Condition。

注意事項

當檢測到 GPU 異常時，ack-node-problem-detector 組件將按照預設隔離策略產生 NVIDIA GPU 隔離檔案，ack-nvidia-device-plugin 組件將根據該檔案內容自動隔離異常 GPU 卡，以避免新的負載調度到異常 GPU 後無法正常運行，其他正常的 GPU 可以繼續提供服務。隔離異常 GPU 卡後，若節點上剩餘 GPU 不足以滿足任務需求（如 8 卡任務在僅有 7 卡可用時），任務將無法調度，可能導致 GPU 資源閑置。自動隔離並不等於自動修複，發生 GPU 卡自動隔離的節點執行個體將持續計費，您仍需修複節點，建議配置 GPU 異常警示以便及時處理。

您也可以根據業務需求，關閉異常GPU自動隔離功能。詳細操作步驟，請參考如何關閉NPD的異常GPU卡自動隔離能力。NVIDIA Device Plugin組件在特定版本支援異常GPU卡自動隔離，但關閉隔離能力操作方式不同。詳細操作，請參見如何關閉NVIDIA Device Plugin原生GPU隔離能力。
NVIDIA的XID和SXID是GPU驅動通過NVRM事件機制寫入/var/log/messages或/var/log/syslog中。NPD會記錄每個XID和SXID是否已被處理，如果在發現XID或SXID後，只要對節點進行重啟操作，不管這條XID或SXID所對應的問題是否已被解決（例如XID 79指明需要更換GPU裝置才能解決問題），NPD將不會對這條XID或SXID產生Event或Node Condition，即NPD認為這條XID已被解決。
NPD檢測NVIDIA XID或者NVIDIA SXID是通過檢測節點/var/log/messages檔案或/var/log/syslog檔案完成的。如果dmesg日誌被重新導向到其他檔案，NPD將無法檢測NVIDIA XID和SXID。
從NPD 1.2.29版本開始，NPD中GPU異常檢測外掛程式將單獨以DaemonSet方式部署，DaemonSet名稱為ack-accel-health-monitor。
某些情況下，當節點出現GPU異常後，可能會導致節點上無法建立GPU容器，GPU異常檢測容器可能受到影響，導致該容器無法建立，繼而檢測工作無法正常執行。

由於NPD GPU檢測外掛程式Pod需要檢測GPU裝置和GPU組件狀態，需要開啟privileged=true等高許可權，具體參考下表。

叢集RBAC許可權

容器許可權

Node: get

Node/Status: update

Events: create

privileged: true

唯讀掛載宿主機/dev/kmsg

唯讀掛載宿主機/usr/lib

唯讀掛載宿主機/etc

唯讀掛載宿主機/usr/lib64

唯讀掛載宿主機/proc

檢測項及修複建議

發現GPU異常後，請參照 Nvidia Xid Errors 進行修複。也可根據節點執行個體類型（如ECS、靈駿）在對應雲產品控制台查詢是否存在節點執行個體的營運事件，或者通過自主診斷工具對節點硬體異常進行排查。

修複建議 為 None 表示無需對硬體採取任何操作，建議自行檢查應用配置是否正常。

檢測項名稱	是否產生Node Condition	是否產生Event	描述	是否預設隔離GPU卡	修複建議
NvidiaXID13Error	否	是 `Type: Warning` `Reason: NvidiaXID13Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 13 error has occurred.`	`Graphics Engine Exception.` 通常是數組越界、指令錯誤，小機率是硬體問題。	否	None
NvidiaXID31Error	否	是 `Type: Warning` `Reason: NvidiaXID31Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 31 error has occurred.`	`GPU memory page fault.` 通常是應用程式的非法地址訪問，小機率是驅動或者硬體問題。	否	None
NvidiaXID43Error	否	是 `Type: Warning` `Reason: NvidiaXID43Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 43 error has occurred.`	`GPU stopped processing.` 當您的應用程式遇到軟體誘發的異常並必須終止時，會記錄此事件。GPU仍然處於健康狀態。在大多數情況下，這並不表示驅動程式存在問題，而是您的應用程式出錯。	否	None
NvidiaXID44Error	是 `Type: NvidiaXID44Error` `Reason: NodeHasNvidiaXID44Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 44 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID44Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 44 error has occurred.`	`Graphics Engine fault during context switch.` 環境切換期間發生圖形引擎故障。	是（NPD <= 1.2.28）否（NPD >= 1.2.30）	重啟節點。
NvidiaXID45Error	否	是 `Type: Warning` `Reason: NvidiaXID45Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 45 error has occurred.`	`Preemptive cleanup, due to previous errors - Most likely to see when running multiple cuda applications and hitting a DBE.` 當您的應用程式中止並且核心驅動程式終止在GPU上啟動並執行GPU應用程式時，會記錄此事件。 Control-C、GPU重設和sigkill都是應用程式被中止並建立此事件的樣本。在許多情況下，這並不表示存在錯誤，而是您或系統的操作導致。	否	None
NvidiaXID48Error	是 `Type: NvidiaXID48Error` `Reason: NodeHasNvidiaXID48Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 48 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID48Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 48 error has occurred.`	`Double Bit ECC Error(DBE).` 當GPU檢測到不可糾正的錯誤發生時，會記錄此事件。這一情況也會反饋給應用程式。需要GPU重設或重啟節點才能清除此錯誤。	是	重啟節點。
NvidiaXID61Error	是 `Type: NvidiaXID61Error` `Reason: NodeHasNvidiaXID61Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 61 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID61Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 61 error has occurred.`	`Internal micro-controller breakpoint/warning (newer drivers).` 內部微控制器斷點/警告（較新驅動程式）。	是（NPD <= 1.2.28）否（NPD >= 1.2.30）	重啟節點。
NvidiaXID62Error	是 `Type: NvidiaXID62Error` `Reason: NodeHasNvidiaXID62Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 62 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID62Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 62 error has occurred.`	`Internal micro-controller halt (newer drivers).` 內部微控制器停機（較新驅動程式）。	是	重啟節點。
NvidiaXID63Error	否	是 `Type: Warning` `Reason: NvidiaXID63Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 63 error has occurred.`	`ECC page retirement or row remapping recording event.` 當應用程式遭遇到GPU顯存硬體錯誤時，NVIDIA自錯誤修正機制會將錯誤的記憶體地區retire或者remap，retirement和remapped資訊需要記錄到infoROM中才能永久生效。 Volta架構：記錄ECC page retirement事件到infoROM成功。 Ampere架構：記錄row remapping事件到infoROM成功。	否	None
NvidiaXID64Error	否	是 `Type: Warning` `Reason: NvidiaXID64Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 64 error has occurred.`	`ECC page retirement or row remapper recording failure.` 與Xid 63的觸發情境類似，只是Xid 63代表retirement和remapped資訊成功記錄到infoROM，Xid 64代表該記錄操作失敗。	否	None
NvidiaXID69Error	是 `Type: NvidiaXID69Error` `Reason: NodeHasNvidiaXID69Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 69 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID69Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 69 error has occurred.`	`Graphics Engine class error.` 圖形引擎類錯誤。	是（NPD <= 1.2.28）否（NPD >= 1.2.30）	重啟節點。
NvidiaXID74Error	是 `Type: NvidiaXID74Error` `Reason: NodeHasNvidiaXID74Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 74 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID74Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 74 error has occurred.`	`Fatal NVLINK Error.` NVLink硬體錯誤產生的Xid。	是	硬體維修。
NvidiaXID79Error	是 `Type: NvidiaXID79Error` `Reason: NodeHasNvidiaXID79Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 79 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID79Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 79 error has occurred.`	`GPU has fallen off the bus.` GPU硬體檢測到掉卡，無法從匯流排上檢測到。	是	硬體維修。
NvidiaXID94Error	否	是 `Type: Warning` `Reason: NvidiaXID94Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 94 error has occurred.`	`Contained ECC error.` 當應用程式遭遇到GPU不可糾正的顯存ECC錯誤時，NVIDIA錯誤抑制（contained）機制會嘗試將錯誤抑制在當前已出現問題的應用程式中，而不會讓錯誤影響GPU上的所有應用程式。當抑制機製成功抑制錯誤時，會產生Xid 94事件，僅影響遭遇了不可糾正ECC錯誤的應用程式。	否	None
NvidiaXID95Error	是 `Type: NvidiaXID95Error` `Reason: NodeHasNvidiaXID95Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 95 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID95Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 95 error has occurred.`	`Uncontained ECC error.` Xid95代表抑制失敗，此時表明運行在該GPU上的所有應用程式都已受到影響，受影響的GPU必須重設後，應用程式才能重新啟動。	是	重啟節點。
NvidiaXID109Error	是 `Type: NvidiaXID109Error` `Reason: NodeHasNvidiaXID109Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 109 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID109Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 109 error has occurred.`	`Context Switch Timeout Error.` 環境切換逾時錯誤。	是（NPD <= 1.2.28）否（NPD >= 1.2.30）	None
NvidiaXID119Error	是 `Type: NvidiaXID119Error` `Reason: NodeHasNvidiaXID119Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 119 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID119Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 119 error has occurred.`	`GSP RPC Timeout.` 在等待GSP核心響應RPC訊息時發生逾時。	是	重啟節點。
NvidiaXID120Error	是 `Type: NvidiaXID120Error` `Reason: NodeHasNvidiaXID120Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 120 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID120Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 120 error has occurred.`	`GSP Error.` 在GPU的GSP核心上啟動並執行代碼出錯。	是	重啟節點。
NvidiaXID140Error	是 `Type: NvidiaXID140Error` `Reason: NodeHasNvidiaXID140Error` `Message: TS=xxx;GpuIds=xxx;MSG=An NVIDIA XID 140 error has occurred.`	是 `Type: Warning` `Reason: NvidiaXID140Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid 140 error has occurred.`	`Unrecovered ECC Error.` 當GPU驅動程式在GPU記憶體中檢測到不可糾正的錯誤，這些錯誤影響了驅動程式標記頁面以進行動態網頁面下線或行重新對應的能力時，可能會發生此事件。需要重設GPU。	是	重啟節點。
NvidiaXID[code]Error	否	是（僅產生三次事件） `Type: Warning` `Reason: NvidiaXID[code]Error` `Message: GpuIds=xxx;TS=xxx;Xid=xxx;MSG=An nvidia xid [code] error has occurred.`	未出現在該表中的其他XID。	否	提交工單。
NvidiaSXID[code]Error	否	是（僅產生三次事件） `Type: Warning` `Reason: NvidiaSXID[code]Error` `Message: TS=xxx;NVSwitchIds=xxx;MSG=An nvidia sxid [code] error has occurred.`	SXID錯誤可以分為三類，分別是： Correctable：錯誤已糾正。系統行為不受此類錯誤的影響。無需額外恢複。 Fatal：錯誤對裝置來說是致命的，系統行為受到影響，從此錯誤中恢複的唯一方法是重設裝置或重新啟動系統。 Non-fatal：錯誤對裝置來說不是致命的，系統行為受到影響，可能不需要重設裝置或重新啟動系統。	否	None
NvidiaEccModeNotEnabled	是 `Type: NvidiaEccModeNotEnabled` `Reason: EccModeNotEnabled` `Message: GpuIds=xxx;EccModeCurrent=xxx;EccModePending=xxx;MSG=The ECC mode of the GPU is not enabled.`	是（持續產生事件，直到問題修複） `Type: Warning` `Reason: NvidiaEccModeNotEnabled` `Message: GpuIds=xxx;EccModeCurrent=xxx;EccModePending=xxx;MSG=The ECC mode of the GPU is not enabled.`	節點ECC Mode未開啟。	否	開啟ECC Mode並重啟節點。
NvidiaPendingRetiredPages	是 `Type: NvidiaPendingRetiredPages` `Reason: NodeHasNvidiaPendingRetiredPages` `Message: GpuIds=xxx;VolatileTotalUncorrected=xxx;AggregateTotalUncorrected=xxx;MSG=There are retired pages in a pending state on the GPU.`	是（持續產生事件，直到問題修複） `Type: Warning` `Reason: NvidiaPendingRetiredPages` `Message: GpuIds=xxx;VolatileTotalUncorrected=xxx;AggregateTotalUncorrected=xxx;MSG=There are retired pages in a pending state on the GPU.`	GPU存在處於pending狀態的Retired Pages。需要重設GPU才能使這些Retired Pages生效。	是	重啟節點。
NvidiaRemappingRowsFailed	是 `Type: NvidiaRemappedRowsFailed` `Reason: GPUMemoryRemappingRowsFailed` `Message: GpuIds=xxx;RemappedDueToUncorrectableErrors=xxx;MSG=The GPU has encountered an error with row mapping.`	是（持續產生事件，直到問題修複） `Type: Warning` `Reason: NvidiaRemappedRowsFailed` `Message: GpuIds=xxx;RemappedDueToUncorrectableErrors=xxx;MSG=The GPU has encountered an error with row mapping.`	GPU存在行重新對應失敗。	是	硬體維修。
NvidiaRemappingRowsRequireReset	是 `Type: NvidiaRemappingRowsRequireReset` `Reason: UncontainedEccError` `Message: GpuIds=xxx;MSG=Remapping rows requires GPU reset.`	是（持續產生事件，直到問題修複） `Type: Warning` `Reason: NvidiaRemappingRowsRequireReset` `Message: GpuIds=xxx;MSG=Remapping rows requires GPU reset.`	GPU遇到了無法糾正的、未包含的錯誤，需要通過重設GPU進行恢複。為了恢複操作，應該儘快重設GPU。	是（NPD <= 1.2.28）否（NPD >= 1.2.30）	重啟節點。
NvidiaDeviceLost	是 `Type: NvidiaDeviceLost` `Reason: NodeHasNvidiaDeviceLost` `Message: GpuIds=xxx;MSG=The GPU has fallen off the bus or has otherwise become inaccessible`	是（持續產生事件，直到問題修複） `Type: Warning` `Reason: NvidiaDeviceLost` `Message: GpuIds=xxx;MSG=The GPU has fallen off the bus or has otherwise become inaccessible.`	`The GPU has fallen off the bus or has otherwise become inaccessible.` GPU已從匯流排上脫落或變得不可訪問。	是	硬體維修。
NvidiaInfoRomCorrupted	是 `Type: NvidiaInfoRomCorrupted` `Reason: NodeHasNvidiaInfoRomCorrupted` `Message: GpuIds=xxx;MSG=GPU infoROM is corrupted`	是（持續產生事件，直到問題修複） `Type: Warning` `Reason: NvidiaInfoRomCorrupted` `Message: GpuIds=xxx;MSG=GPU infoROM is corrupted.`	`infoROM is corrupted.` infoROM已損壞。	是	硬體維修。
NvidiaPowerCableErr	是 `Type: NvidiaPowerCableErr` `Reason: NodeHasNvidiaPowerCableErr` `Message: GpuIds=xxx;MSG=A device's external power cables are not properly attached`	是（持續產生事件，直到問題修複） `Type: Warning` `Reason: NvidiaPowerCableErr` `Message: GpuIds=xxx;MSG=A device's external power cables are not properly attached.`	`A device's external power cables are not properly attached.` 裝置的外部電源線串連不當。	是	硬體維修。
NvidiaPersistencedOffline	是 `Type: NvidiaPersistencedOffline` `Reason: NodeHasNvidiaPersistencedOffline` `Message: TS=xxx;GpuIds=xxx;Nvidia Persistenced service is not running.`	是 `Type: Warning` `Reason: NvidiaPersistencedOffline` `Message: TS=xxx;GpuIds=xxx;Nvidia Persistenced service is not running.`	NVIDIA Persistenced服務未運行。	否	重啟nvidia-persistenced服務。
NvidiaFabricManagerOffline	是 `Type: NvidiaFabricManagerOffline` `Reason: NodeHasNvidiaFabricManagerOffline` `Message: TS=xxx;GpuIds=xxx;Nvidia Fabric Manager service is not running.`	是 `Type: Warning` `Reason: NvidiaFabricManagerOffline` `Message: TS=xxx;GpuIds=xxx;Nvidia Fabric Manager service is not running.`	NVIDIA Fabric Manager服務未運行。	否	重啟Fabric Manager服務。
NvidiaTemperatureHigh	是 `Type: NvidiaTemperatureHigh` `Reason: NodeHasNvidiaTemperatureHigh` `Message: TS=xxx;GpuIds=xxx;Nvidia gpu temperature exceeds threshold`	是 `Type: Warning` `Reason: NvidiaTemperatureHigh` `Message: TS=xxx;GpuIds=xxx;Nvidia gpu temperature exceeds threshold`	GPU溫度過高超過100攝氏度。	否	None
NvidiaNVLinkStateErr	是 `Type: NvidiaNVLinkStateErr` `Reason: NodeHasNvlinkStateErr` `Message: TS=xxx;GpuIds=xxx;Nvidia nvlink state is down`	是 `Type: Warning` `Reason: NvidiaNvlinkStateErr` `Message: TS=xxx;GpuIds=xxx;Nvidia nvlink state is down`	NVIDIA NVLink狀態變成down。	否	重啟機器。

其他相關Event

獨佔GPU情境下，NPD預設會根據異常檢測項自動進行GPU卡的隔離。隔離後，新的GPU應用Pod不會被分配至該GPU卡。您可查看Kubernetes Node上報的Resource中的nvidia.com/gpu數量以查看隔離效果。等待GPU卡恢複後，ACK會自動解除隔離。

觸發原因

Event內容

描述

GPU卡隔離

是

Type: Warning
Reason: NvidiaDeviceIsolated
Message: GpuIds=xxx;MSG=nvidia device has been isolated due to detected issues.

GPU卡因檢測出的異常被隔離。

GPU卡解除隔離

是

Type: Normal
Reason: NvidiaDeviceRecovered
Message: GpuIds=xxx;MSG=nvidia device has recovered from the fault.

GPU卡異常恢複，解除卡隔離。

常見問題

如何關閉NPD的異常GPU卡自動隔離能力？

問題背景

當節點 GPU 出現異常時，ACK 會通過NPD自動隔離異常GPU，防止任務被調度到異常GPU上。而自動隔離並不會執行自動修複，發生 GPU 卡自動隔離的節點執行個體將持續計費，您仍需手動重啟或維修節點，並建議配置 GPU 異常警示以便及時處理。

隔離後，若節點剩餘 GPU 不足以滿足任務需求（如 8 卡任務在僅有 7 卡可用時），任務將無法調度，可能導致GPU資源閑置。
GPU狀態恢複正常後，對該GPU裝置的隔離會自動解除。
如需關閉自動隔離（出現異常GPU仍然上報資源，不做異常GPU隔離），請參考後續解決方案。

解決方案

說明

當 ack-node-problem-detector組件版本為 v1.2.30 及以上時，支援通過組件管理中的配置項 generateNvidiaGpuIsolationFile 控制是否自動隔離異常 GPU。

關閉NPD的GPU自動隔離能力。

（推薦）方式一：通過組件管理修改組件配置。
1. 在叢集列表頁面，單擊目的地組群名稱，然後在左側導覽列，單擊組件管理。
2. 在日誌與監控頁簽，尋找ack-node-problem-detector組件，然後根據當前組件版本執行對應操作。
  - 1.2.24 至 1.2.29 版本：查看可升級到的版本，若可升級到1.2.30及以上版本，請單擊升級。
    
    1.2.30版本正在灰階中，若您看不到 v1.2.30 或更高版本，請提交工單申請。
  - 1.2.30 及以上版本：請單擊配置。
3. 在組件升級或組件配置介面中，將 generateNvidiaGpuIsolationFile（是否產生NVIDIA GPU 隔離檔案）設定為 false，然後單擊確認。
  
  說明
  若您此前通過方式二臨時關閉了 GPU 自動隔離功能，在升級NPD組件版本時該關閉配置會自動保留。如果您在關閉後希望重新開啟GPU卡自動隔離功能，可將generateNvidiaGpuIsolationFile 設定為 true。

方式二：通過YAML手動修改配置。

說明

以下關閉NPD的GPU自動隔離能力為臨時方案，NPD升級到1.2.30以下版本後配置會丟失，您需在升級後按照以下步驟重新設定。建議您升級到1.2.30及以上版本以持久化該組件配置。

編輯NPD組件YAML。

kubectl edit ds -n kube-system ack-node-problem-detector-daemonset

修改EnabledIsolateGPU配置為false。

修改前：

 --EnabledIsolateGPU=true

修改後：

--EnabledIsolateGPU=false

解除已經產生的GPU卡自動隔離。

針對已經產生的GPU卡自動隔離，可通過登入到發生XID錯誤的節點，刪除/etc/nvidia-device-plugin/unhealthyDevices.json檔案，來解除該節點上的GPU隔離。為了避免再次被隔離，可以參考上一步操作關閉自動隔離功能。