サーバー PSU を備えた GPU マイニング リグの電源の問題を解決するにはどうすればよいですか?

電源の互換性の検証

1. サーバー PSU モデルが製造元の GPU マイニング構成のサポート リストと一致していることを確認します。 PSU0001 ～ PSU0003 というラベルの付いた Dell PowerEdge PSU は、持続的な GPU 負荷サイクルに対する既知のファームウェア レベルの非互換性を示しています。

2. PSU の 12V レール電流定格と、取り付けられているすべての GPU の合計消費量を照合します。 1 台の NVIDIA A100 は、完全なハッシュ計算で最大 250 W を消費します。このようなカード 4 枚では、マザーボード、ファン、ストレージ負荷を除き、12V レールで少なくとも 100A が必要です。

3. PSU の出力コネクタに、連続 75 W 供給定格のネイティブ PCIe 8 ピンまたは 6+2 ピン ケーブルが含まれていることを検証します。 SATA または Molex から PCIe に変換するアダプターは、長時間にわたるマイニング セッション中に電圧降下と熱的不安定性を引き起こします。

4. PSU のラベルを調べて、入力電圧範囲の認定を確認します。 「100 ～ 240V AC オートレンジ」とマークされたユニットは、多くの鉱山施設が稼働する工業地帯で一般的な系統変動に耐えます。固定入力 PSU は電圧低下時に予期せずシャットダウンする場合があります。

熱および電気負荷の管理

1. 校正済みの熱プローブを使用して、リグ シャーシ内の周囲温度を測定します。サーバー PSU は周囲温度 40°C を超えると出力を低下させます。 45°C を超えて継続的に動作すると、内部スロットルがトリガーされ、断続的な GPU リセットまたはカーネル電力イベント ID 41 ログとして現れます。

2. PSU の iDRAC または IMM インターフェイスのファン曲線を監査します。内部サーミスターが 70°C を超えると報告している場合でも、ファン速度が 30% 未満で静的な場合は、動的な熱応答を復元するためにファームウェア リビジョン ESE122T 以降を適用する必要があります。

3. 標準の ATX スタイルのケースファンを、PSU の吸気口に直接取り付けられた高静圧の 40mm または 60mm ユニットに置き換えます。 Lenovo ThinkSystem PSU は、有向エアフロー パスに依存しています。一般的なシャーシ換気は、CFM の最小要件を満たしていません。

4. GPU コネクタから 5cm 以内のすべての 12V PCIe 電源リードにフェライト コア チョークを取り付けます。スイッチング PSU からの電磁ノイズは GPU VRM レギュレーションに干渉し、dmesg 出力に「GPU が PCIe バスからドロップされた」として記録される不足電圧障害を引き起こします。

ファームウェアと構成のアップデート

1. ipmitool を使用して現在の PSU ファームウェア バージョンを抽出します: ipmitool -I lanplus -H [BMC_IP] -U root -P calvin raw 0x30 0x09 。 AFE128B より前のバージョンでは、GPU の同時電源投入シーケンス中にタイミング エラーが発生します。

2. GPU アダプターがインストールされている場合は、UEFI BIOS の Misc Option3 を無効にします。この設定をデフォルトのままにすると、ASIC に最適化されたマイニング ワークロードと互換性のない積極的な電力制限ロジックが強制されます。

3. PSU ファームウェアのアップデートは、スケジュールされたメンテナンス期間中にのみ適用します。電源のアップデートはシステムのダウンタイムを保証し、フラッシュ中に中断されるとユニットが動作しなくなる可能性があります。ロールバック オプションは存在しません。

4. アップデート後、システムの電源が完全に切れてプラグが抜かれた状態で、すべての PCIe 電源ケーブルを抜き差しします。金メッキ接点の微酸化により、GPU ファームウェアが PSU の故障と誤って解釈する断続的な抵抗スパイクが発生します。

GPU 固有のパワーパス診断

1. nvidia-smi -q -d POWERを実行して、リアルタイムの GPU 消費電力をキャプチャします。 10 秒間隔で値が ±8W を超えて変動する場合は、ドライバーの問題ではなく、PSU のレギュレーションが不安定であることを示します。

2. Linux ホスト上のcat /sys/class/power_supply/psu*/onlineを監視します。値「0」は、PSU の通信損失を示します。多くの場合、複数の GPU 電源コントローラーと PSU の BMC の間の I²C バス競合が原因で発生します。

3. 安定していることがわかっている ATX PSU を使用して、各 GPU を個別にテストします。不安定性が解消されると、サーバー PSU の一時的な応答時間は、20% の負荷ステップ変化からの回復時間が 50μs 未満であるという NVIDIA の PCIe 仕様要件を満たせなくなります。

4. 障害の原因をハードウェアに帰す前に、「ヌーボー」モジュールの競合がないか確認してください。オープンソース ドライバーは PCIe 電源管理レジスタをハイジャックし、ディープ スリープ移行中にサーバー グレードの PSU との適切なハンドシェイクを妨げます。

よくある質問

Q: Dell R740 のデュアル冗長 PSU を使用して 8 台の RTX 4090 に電力を供給できますか?いいえ、Dell R740 PSU は、共有 12V レール設計と組み合わせても 1600W しか供給しません。 8 台の RTX 4090 は、カード間電圧の崩壊を防ぐために絶縁された 12V レールで最小 3200W を必要とします。

Q: DAG エポックの移行中にのみリグがクラッシュするのはなぜですか? DAG ファイルのリロードにより、GPU メモリ帯域幅の需要が 400% 増加します。高速過渡応答コンデンサのないサーバー PSU は、このマイクロ秒スケールのサージ下で安定した 12V を維持できず、ハードウェア レベルの OVP シャットダウンが引き起こされます。

Q: ノイズを減らすために IPMI 経由の PSU ファン制御を無効にしても安全ですか?安全ではありません。サーバー PSU にはパッシブ冷却機能がありません。ファン制御を無効にすると、80% 負荷で 90 秒以内に熱暴走が発生し、MOSFET に永久的な損傷を与え、不可逆的なファームウェア ロックアウトが引き起こされる危険があります。

Q: Lenovo ThinkSystem PSU は PCIe Gen5 GPU 電源シーケンスをサポートしていますか?ファームウェア ESE122T 以降が付属して出荷されるモデルのみが、Gen5 電力ランプ タイミングをサポートします。以前のリビジョンでは、RTX 40 シリーズ カードとのハンドシェイクに失敗し、物理的な x16 スロットが存在するにもかかわらず、「PCIe リンク幅が x1 に減少しました」エラーが発生しました。