【问题信息】

【问题描述】

NPU HBM ECC错误。存在多种表现形式，当前一般表现为以下现象。

1. NPUx CRITICAL ALARM，通常在BMC WEB告警界面出现，如下图所示。

   

2. NPUx芯片出现degrade告警，但告警码指向单device出现多BIT HBM ECC错误，典型告警码包含以下两种：
   • 0x80E18401：单个Device的HBM多bit ECC隔离地址记录超过16个，如下图所示。

     

   • 0x80E01801：HBM故障地址在线隔离失败。
3. 业务现象：NPU HBM多比特ECC发生后体现在业务执行过程中出现AICore执行算子失败。
4. 日志现象：BMC日志“dump_info/AppDump/CpuMem/npu_ecc_info.json”对应时间点有MultiBitEcc记录，如下图所示。

   

   当NPU多比特ECC隔离页满64页后，BMC会产生“NPU chip health critical”紧急告警。

【解决方案】

• 多bit HBM ECC出现相关报错。
  1. 联系现场服务人员协助收集msnpureport -f日志。
  2. 重启服务器。
  3. 通过如下命令查询HBM Double Bit Isolate Pages Count参数值。

     npu-smi info -t ecc -i x -c x

     x为NPU编号。

     回显示例如下图所示。

     

  4. 判断HBM Double Bit Isolate Pages Count参数值是否大于或等于64。
     1. 是：更换NPU模组。
     2. 否：重启服务器恢复。
• 单bit HBM ECC出现相关报错。
  1. 通过如下命令查询HBM Double Bit Isolate Pages Count参数值。

     npu-smi info -t ecc -i x

     x为NPU编号。

     回显示例如下图所示。

     

  2. 持续观察，不进行操作或更换。