九游(ninegame)官网

    服务器 2025-11-05

    KunTai A924 服务器NPU掉卡问题分析

    一、现网描述

    1.1 环境描述

    设备型号：KunTai A924

    BMC版本：3.10.02.49

    BIOS版本：7.09

    CPLD版本：0.13


    二、故障描述

    2.1故障现象

    1台 KunTai A924 服务器系统下lspci只能显示7张卡，查看id为41:00.0的NPU卡掉卡


    三、问题分析

    3.1排查思路

    Current_event日志显示2025-10-20 Monday 23:17:16  NPU Board7 NPU 断连；

    0x81a3880c与0x819b8605均为链路质量告警，建议检查NPU网口连接情况

    b5a35aa278505600bc5aa03a05919f3b.png

    RAID卡以及硬盘状态正常

    c8b4aa81c39d28a7f3239e31fc7c4585.png

    e9d6eda7aa24340bb0b4e0ceba096575.png

    Npu_info显示NPU7功率过高

    2f3e7ee4ab21cc9d8273c77fe031a04d.png

    Sensor日志中无法获取npu7的温度

    7d7daa3eb32143b81a0e7f221db007e3.png

    Lspci查看系统侧41:00.0不识别

    dee85416b3a154819ce6a54b8f457f06.png

    npu-smi info信息中，NPU7识别不到

    b1cfac6d18f9d02fb1972a4aae62cafb.jpg



    3.2原因分析

    服务器OS执行 lspci | grep acc 命令， 查询到的pcie建链条数低于NPU 芯片个数，表明服务器启动NPU和CPU的建链失败


    四、问题解决

    4.1解决办法

    建议将NPU7交叉验证，检查NPU PCIE物理链路

    尝试交叉NPU卡/模组 观察故障是跟随NPU；

    是 => NPU模组故障，更换NPU卡/模组；

    否 => 更换NPU链路观察是否恢复。