GPU

从 XID 错误到芯片级容错:GPU 显存 ECC 损坏在 AI 训练中的检测、隔离与自愈工程

AI 训练集群规模从百卡扩展到千卡、万卡级别后,GPU 显存错误成为影响训练稳定性和模型收敛性的隐性杀手。与传统 CPU 不同,GPU 显存错误往往表现为“静默数据损坏”(Silent Data Corruption, SDC)——权重悄然翻转一个 bit,Loss 曲线异常抖动,而训练流程本身不会报错退出。

Linux内核DMA-BUF显式同步与跨驱动缓冲区共享:从零构建零拷贝GPU计算管线

在现代AI推理管线中,数据搬运的耗时往往超过计算本身。CPU与GPU、GPU与GPU、存储与加速器之间的零拷贝数据共享,是突破性能瓶颈的关键。Linux内核的DMA-BUF子系统正是解决这一问题的核心基础设施,而显式同步机制(explicit fencing)则是保证多设备并发访问正确性的基石。