硬件错误信息分类标识

Xid 消息是墨芯 AI 计算卡驱动程序生成的错误报告，通常记录在操作系统内核日志或事件日志中。稀疏处理单元 SPU（Sparse Processing Unit）发生错误时，驱动程序会生成 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 域号:PCIe 总线号:PCIe 设备号）	结合 PCIe 拓扑信息，可以定位发生 Xid 错误的芯片
Xid-Value	Xid 值，例如 10
Xid-message	Xid 错误的详细信息

须知

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	联系开发人员进行分析。
疑似硬件问题	联系硬件供应商，执行硬件诊断流程。
疑似墨芯驱动问题	联系开发人员进行分析。

Xid 错误列表

下表列出了 Xid 错误及其潜在原因。表中的纠错码（Error-Correcting Code，ECC）、动态电压和频率调节（Dynamic Voltage and Frequency Scaling，DVFS）、直接内存访问（Direct Memory Access，DMA）和通用 Netlink（Generic Netlink，GENETLINK）为通用技术术语。MFDEC、MFJPG 和 MFPPB 分别表示视频解码、JPEG 解码和图像后处理模块，数字后缀表示模块实例。EDC、SMBPBI 和 IPC 是驱动程序或固件报告中的原始错误标识，因当前来源未提供可发布的统一全称，本文保留原样。

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
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	当用户应用程序中止，并且内核驱动程序开始卸载 SPU 上运行的应用程序时，系统会记录此事件。使用 Ctrl+C 中断程序、重置 SPU 或发送 SIGKILL 信号等操作都可能触发此事件。多数情况下，此事件反映用户或系统的正常操作，并不表示系统发生错误。
Xid 13	DBE (Double Bit Error) ECC Error	当 SPU 检测到无法纠正的错误时，系统会记录此事件并向用户应用程序报告。此时需要重置 SPU 以清除错误。
Xid 16、17	CONTAINED/UNCONTAINED ECC ERRORs	支持 ECC 错误控制功能的 SPU 处理 ECC 内存错误时，系统会记录此类事件。
Xid 19	PCIE NETLINK ERROR	当 SPU 检测到用户进程与内核进程之间通信异常时，系统会记录此事件。此事件可能表示链路或链路终端设备发生故障。重置 SPU 后问题仍频繁出现时，请联系硬件供应商。
Xid 20	SPU has fallen off the bus	SPU 驱动程序无法通过 PCIe 链路访问 SPU 时，系统会记录此事件。此事件通常表示 PCIe 链路、链路终端设备或 SPU 硬件发生故障。请结合系统事件日志和内核 PCIe 事件日志定位故障来源。
Xid 24	SECURITY FAULT ERROR	此事件通常仅在发生硬件故障时出现。请先撤销最近的硬件更改，然后关闭系统电源并重新开机。如果问题仍未解决，请联系硬件供应商。
Xid 42	PCIE DMA Exception	DMA 控制器报告故障时，系统会记录此事件。DMA 控制器通过 PCIe 总线管理墨芯驱动程序和 SPU 之间的通信流。此类故障通常与 PCIe 总线质量有关。