一种GPU服务器维护系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113961389A(43)申请公布日2022.01.21(21)申请号202111343948.3(22)申请日2021.11.14(71)申请人苏州浪潮智能科技有限公司地址215000江苏省苏州市吴中经济开发区郭巷街道官浦路1号9幢(72)发明人孔令涛(74)专利代理机构北京连和连知识产权代理有限公司11278代理人陈黎明李红萧(51)Int.Cl.G06F11/07(2006.01)G06F11/10(2006.01)G06F11/30(2006.01)G06F11/34(2006.01)G08C17/02(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种GPU服务器维护系统(57)摘要本发明提出了一种GPU服务器维护系统及方法；系统包括：手持定位终端，配置用于通过无线通信方式与目标服务器进行配对，并基于无线信号强度定位所述目标服务器，并在首次配对成功后生成文件名称能够唯一标识目标服务器的文件；在文件中编辑信息，并上传文件中的信息；以及接收包含文件名称的返回信息并保存至对应的文件中；维护中心，配置用于实时获取服务器的日志寄存器信息，并接收手持定位终端上传的信息，并根据获得的信息对服务器的多个GPU进行健康评估或者GPU故障分析，并通过无线通信方式向手持定位终端返回GPU预警信息，或者GPU故障的分析结果及处理建议。本发明实现的多GPU的健康预警，问题快速分析、定位、解决，能够减少停机运维的发生。CN113961389ACN113961389A权利要求书1/2页1.一种GPU服务器维护系统，其特征在于，包括：手持定位终端，配置用于通过无线通信方式与目标服务器进行配对，并基于无线信号强度定位所述目标服务器，并在首次配对成功后生成文件名称能够唯一标识所述目标服务器的文件；在所述文件中编辑信息，并上传所述文件中的信息；以及接收包含所述文件名称的返回信息并保存至对应的文件中；维护中心，配置用于实时获取服务器的日志寄存器信息，并接收所述手持定位终端上传的信息，并根据获得的信息对所述服务器的多个GPU进行健康评估，并通过无线通信方式向所述手持定位终端返回GPU预警信息；以及根据获得的信息对所述目标服务器进行GPU故障分析，并通过无线通信方式向所述手持定位终端返回分析结果及处理建议。2.如权利要求1所述的GPU服务器维护系统，其特征在于，所述手持定位终端还配置用于，对接收到所述返回信息的文件进行标记；当所述手持定位终端与相应的目标服务器配对成功后，判断所述目标服务器对应的文件是否具有标记，响应于具有标记发出声光报警。3.如权利要求2所述的GPU服务器维护系统，其特征在于，所述手持定位终端还配置用于，应答所述声光报警，并显示触发所述声光报警的带有标记的文件中的返回信息，并取消所述文件的标记。4.如权利要求1所述的GPU服务器维护系统，其特征在于，所述维护中心根据获得的信息对所述服务器的多个GPU进行健康评估，包括：根据所述多个GPU的利用率、温度、功率以及运行时间综合评估各个GPU的健康数值，并响应于所述GPU的健康数值低于预设的安全数值时，在所述多个GPU之间进行负载转移。5.如权利要求4所述的GPU服务器维护系统，其特征在于，所述维护中心还配置用于：监控所述多个GPU的ECC报错的数量，响应于所述ECC报错数量达到预警上限值后，生成负载转移预警。6.如权利要求4所述的GPU服务器维护系统，其特征在于，所述维护中心还配置用于：响应于所述多个GPU中的任意一个GPU的利用率、温度以及功率达到预设的预警阈值时，生成负载转移预警，并不再向对应的GPU分配任务。7.如权利要求1所述的GPU服务器维护系统，其特征在于，所述维护中心根据获得的信息对所述目标服务器进行GPU故障分析，包括依次执行以下检测步骤：检查PCIE链路，查看所述信息中是否包含PCIE链路报错，或者电压异常导致GPU报错；响应于所述PCIE链路没有异常，查看所述信息中是否包含GPU在位异常以及GPU识别异常；响应于所述信息中不包含所述GPU在位异常以及GPU识别异常，对所有的GPU重新执行参数配置；获取来自所述手持定位终端的压力测试结果，并基于所述压力测试结果对所述服务器进行故障分析。8.如权利要求7所述的GPU服务器维护系统，其特征在于，所述手持定位终端还配置用2CN113961389A权利要求书2/2页于自动运行压力检验程序，对所述多个GPU进行压力检测，并收集压力测试的结果，记录异常的寄存器信息。9.如权利要求1所述的GPU服务器维护系统，其特征在于，所述手持定位终端还配置用于根据不同服务器中的GPU配置情况配置监控参数，所述GPU配置情况包括：GPU的型号以及数量。10.一种