GPU开启ECC,可以检测到2种内存错误:single Double Bit ECC Error (DBE) 或 2 Single Bit ECC Errors (SBE),其中DBE事件会通知程序优雅关闭,SBE事件程序不会影响,可以正常运行。
当发生DBE或SBE时,会将该地址加入 Page Blacklist,这样程序运行时就不会访问该地址了。
如果Page Blacklist满了(即Pending Page Blacklist ),当再发生DBE或SBE时则不能将该内存地址加入黑名单,如果是DBE事件则会一直导致程序优雅关闭。

而这个告警目的就是当Blacklis满了后,重置显卡,腾出Blacklist。防止尤其DBE导致的程序退出。

参考

  1. https://docs.nvidia.com/deploy/dynamic-page-retirement/index.html