Xid 是什么
Xid 是 NVIDIA 驱动上报到内核日志的错误编号，不同编号指向不同层面的问题：显存页错误、ECC 事件、GPU 从总线脱落、引擎异常等。值班看到 Xid 的处理顺序是固定的：先记录编号、时间与卡号，保全证据，再按影响面处置，而不是直接重启了事。
基本信息
| 来源 | NVIDIA 驱动写入内核日志 |
|---|---|
| 查看方式 | dmesg 与 journalctl -k |
| 编号作用 | 区分不同故障类别 |
| 处置顺序 | 记录 → 摘除 → 复测 → 报修 |
| 证据要素 | 时间、编号、卡号、序列号 |
典型使用场景
- 排查偶发的推理失败与进程被杀
- 判断是否需要把节点从调度中摘除
- 为硬件报修准备证据材料
- 建立坏卡识别的告警规则
- 复盘时还原硬件层的事件时间线
- 把编号与对应处置动作写进值班手册，缩短现场判断时间
证据采集
证据采集
# 采集内核日志中的驱动报错
dmesg -T | grep -i -E 'xid|nvrm' | tail -30
journalctl -k --since '1 hour ago' | grep -i xid
# 记录要素：发生时间、Xid 编号、GPU 序号与序列号、当时正在跑的任务常见编号速查
| 编号段 | 方向 | 常见含义 |
|---|---|---|
| 13 附近 | 引擎异常 | 结合上下文判断 |
| 31 附近 | 内存页错误 | 常见于应用非法访问 |
| 48 附近 | ECC 事件 | 双比特不可纠正错误 |
| 79 附近 | 掉卡 | GPU 从总线脱落，需排障或送修 |
编号含义以官方文档逐条核对为准：同一编号在不同硬件与驱动版本上的解读会略有差异，别直接照搬论坛结论。
处置顺序是记录证据（时间、编号、卡号、序列号）→ 把卡从调度摘除 → 复测 → 报修；在没有观察到收敛之前不要放回生产。
摘卡之后要留复测环节：只在原环境里重启观察往往得不出结论，按流程做压测或诊断，再决定是否进入报修。