硬件错误信息分类标识

概述

Xid 消息是墨芯 AI 计算卡驱动程序生成的错误报告，这些报告通常被记录在操作系统的内核日志或事件日志中。当 SPU（特定处理单元）发生错误时，就会生成 Xid 消息。

此类错误最常见的原因在于驱动程序对 SPU 的编程不正确，或者发送到 SPU 的命令损坏。这些消息对于诊断硬件问题、墨芯软件故障或用户应用程序的潜在问题具有重要意义。您可以利用这些消息中的诊断信息，来深入分析并解决与 SPU 相关的各类问题。

查看 Xid 信息方式

在 Linux 下，您可以执行以下命令，查看所有 Xid 消息：

$ dmesg | grep "MFRM"

示例如下：

[119480.065134]MFRM:xid(0000:31:80):10,(6016)host kmd: send response msg fail

参数	说明
[…] MFRM:xid	日志前缀，可不关注
( pcie domain number: pcie bus number: pcie device number)	结合 PCIE 拓扑信息，可以定位到具体是哪颗芯片发生了 Xid 错误
Xid-Value	Xid 值，例如 10
Xid-message	Xid 错误的详细信息

说明：Xid 消息的主要目的是作为调试过程中的重要指南。由于许多系统问题可能源于多种不同的根本原因，因此仅仅依赖Xid 值来完全理解每个问题并不总是可行的，您还需要结合其他系统日志、配置信息以及实际运行环境进行综合分析，以便准确识别问题的根源，并采取相应的解决措施。

例如，某个 Xid 值可能指示用户程序存在非法访问内存的情况。然而，在实际操作中，由于 PCIE 配置不当或缓冲区管理不当导致的内存错误，同样可能损坏发送给 SPU 的命令，进而引发其他看似不相关的错误。

Xid 错误问题建议操作

下表针对可能遇到的各种问题列出了建议采取的操作：

问题类型	建议操作
疑似用户编程问题	请联系开发人员进行分析。
疑似硬件问题	请联系硬件供应商，执行硬件诊断流程。
疑似 MOFFETT 驱动问题	请联系开发人员进行分析。

Xid 错误列表

下表列出了 Xid 错误以及每个错误的潜在原因：

XID	问题	硬件错误	驱动错误	用户应用程序错误	系统内存错误	总线错误	过温错误
1	地址无效或损坏		X			X
2	SPU 停止运行		X	X		X	X
3	驱动对 SPU 编程出错		X
4	驱动处理 SPU 异常出错		X
5	PCI 配置空间中禁用总线主控		X
6	SPU 内存页错误		X	X
7	SPU 内部微控制器错误		X
8	SPU 内部微控制器断点/警告
9	SPU 内部微控制器停止工作	X	X				X
10	驱动/固件错误		X	X	X	X
11	资源抢占/冲突		X
12	辅助电源未连接到 SPU 板
13	双位 ECC 错误	X
14	EDC 错误	X
15	高单比特位 ECC 错误率	X	X
16	受控的 ECC 错误	X	X
17	不受控的 ECC 错误	X	X
17	不受控的 ECC 错误	X	X
18	驱动非法存取		X	X
19	PCIE 或 NETLINK 出错	X	X			X
20	SPU 脱离总线	X	X		X	X	X
21	发送到 SPU 的数据损坏	X	X		X	X
22	SMBPBI 测试消息			X
23	SMBPBI 测试消息无回应			X
24	安全性故障	X
25	推理引擎异常		X	X	X	X	X
26	消息队列异常	X	X		X
27	SPU 状态监控器异常		X		X
28	MFDEC0 异常	X	X
29	MFDEC1 异常	X	X
30	MFDEC2 异常	X	X
31	MFDEC3 异常	X	X
32	MFJPG0 异常	X	X
33	MFJPG1 异常	X	X
34	MFJPG2 异常	X	X
35	MFJPG3 异常	X	X
36	MFPPB0 异常	X	X
37	MFPPB1 异常	X	X
38	MFPPB2 异常	X	X
39	MFPPB3 异常	X	X
40	DVFS 异常	X	X
41	GENETLINK 异常		X	X	X	X
42	PCIe DMA 异常	X	X	X	X	X
43	IPC 异常	X	X	X	X

常见的 Xid 错误

下表提供了一些常见 Xid 错误的说明信息：

错误码	信息	说明
XID 11	OS: Preemptive Channel Removal	当用户应用程序因各种原因中止，并且内核驱动程序开始卸载 SPU 上正在运行的应用程序时，系统会记录这一事件。这种事件可以由多种操作触发， 例如使用Control+C命令中断程序、执行 SPU 重置操作或发送 sigkill 信号等在多数情况下，此类事件并不表示存在系统错误，而是反映了用户或系统层面的正常操作。
XID 13	DBE (Double Bit Error) ECC Error	当 SPU 检测到自身发生了无法纠正的错误时，系统会记录这一事件，并同时向用户应用程序报告。在这种情况下，您需要重置 SPU 以清除此错误。
XID 16, 17	CONTAINED/UNCONTAINED ECC ERRORs	当支持 ECC 错误控制功能的 SPU 处理 ECC 内存错误时，系统会记录这些事件。
XID 19	PCIE NETLINK ERROR	当 SPU 检测到用户进程与内核进程之间通信出现问题时，系统会记录此事件，您需要重置 SPU 以清除此错误。此事件可能反映出链路本身存在硬件故障， 也可能是链路终端设备出现问题。如果此错误频繁出现，并且即使重置 SPU 也无法解决问题，建议您及时联系硬件供应商寻求技术支持。
XID 20	SPU has fallen off the bus	当 SPU 驱动程序试图通过 PCI Express 链路访问 SPU 时，如果遭遇无法访问的情况，系统会记录这一事件。此事件通常指向 PCI Express 链路上的硬件故障， 导致 SPU 因链路中断而无法被访问。此时建议您查看系统事件日志和内核 PCI 事件日志，这些日志可以提供链路故障源的线索。此事件也可能是由于 SPU 硬件故障或其他驱动程序问题引起的。
XID 24	SECURITY FAULT ERROR	除非发生硬件故障，此事件通常应该是较为罕见的。若遇到此问题，请首先尝试撤销最近对系统硬件所做的任何更改，并进行冷重置系统。冷重置可以通过关闭 系统电源，等待片刻后再重新开机来实现。如果上述操作无法解决问题，建议联系硬件供应商以获取专业帮助。
XID 42	PCIE DMA Exception	当 DMA 控制器报告故障时，会记录此事件。DMA 控制器通过 PCI-E 总线管理 MOFFETT 驱动程序和 SPU 之间的通信流。这类故障通常与 PCI 总线的质量问题相关，而非用户应用程序直接导致。