如何設定 HiveOS 在 GPU 崩潰時自動重新啟動？ （穩定）

了解 HiveOS 中的 GPU 崩潰行為

1. HiveOS 環境中的 GPU 崩潰通常表現為挖礦程序突然終止、驅動程式掛起偵測或硬體看門狗逾時觸發的核心級 NMI 中斷。

2. 系統日誌在/var/log/syslog中捕獲這些事件，其模式類似於“NVRM: Xid (PCI:0000:xx:00.0): 79” （對於 NVIDIA）或“amdgpu: GPU 故障檢測” （對於 AMD 設備）。

3. HiveOS預設不將GPU崩潰視為致命的系統故障；相反，它依賴於挖掘服務層中使用者定義的復原邏輯。

4. 如果在驅動程式設定中啟用了nvidia-smi --gpu-reset ，則可能會自動發生核心級 GPU 重置，但這需要明確啟動和 root 權限。

5. 持續崩潰通常與不穩定的超頻配置、PCIe 供電不足或熱節流持續超過 95°C 持續超過 60 秒有關。

自動重啟邏輯的核心設定文件

1. 主要控制點位於/hive-config/user-config.yaml中，其中watchdog部分定義崩潰偵測間隔和重新啟動閾值。

2. 編輯/etc/systemd/system/hive-miner.service允許自訂Restart=on-failure 、 RestartSec=15和StartLimitIntervalSec=300以防止持續故障期間出現無限循環。

3. 位於/hive/sbin/中的gpu-health-check.sh腳本每 45 秒執行一次，並在nvidia-smi -q -d MEMORY |時觸發hive-restart 。 grep '已使用' | awk '{print $3}'連續三次傳回零或無效值。

4. 可透過/hive-config/hooks/post-gpu-fail.sh注入自訂掛鉤，啟用風扇速度覆蓋、核心時脈回滾或重新啟動前臨時池切換等操作。

5. HiveOS 韌體版本 0.6-218 在/etc/default/hiveos中引入了GPU_WATCHDOG_ENABLED=true ，每 8 秒啟動低階 PCI 總線輪詢以偵測裝置消失。

硬體級復原機制

1. 主機板 BIOS 設定必須啟用PCIe ASPM L1 Substates並停用快速啟動，以確保重設後正確的 GPU 重新列舉。

2. 額定低於 80 PLUS 金牌認證的電源裝置經常無法在 GPU 恢復序列期間維持瞬時 300W+ 負載峰值，從而導致輔助系統重新啟動。

3. 對於多 GPU 設備，BIOS 中的PCIe 插槽分配順序會影響重置隔離 — 連接到單獨 CPU PCIe 根聯合體的插槽允許獨立恢復。

4. NVIDIA 資料中心 GPU 需要/etc/modprobe.d/nvidia.conf中的NVreg_RegistryDwords='EnableMSI=0'以防止在快速重啟週期期間出現 MSI 中斷風暴。

5. AMD RX 7000 系列卡需要將amdgpu.gpu_recovery=1加入/etc/default/grub中的核心啟動參數中，以啟動硬體輔助復原路徑。

驗證和診斷程序

1. 使用echo 1 > /sys/bus/pci/devices/0000:xx:00.0/remove模擬受控崩潰，然後使用echo 1 > /sys/bus/pci/rescan來驗證重啟計時和日誌擷取準確性。

2. 監視journalctl -u hive-miner.service -n 100 --no-pager是否有包含「GPU 運作狀況檢查失敗」和後續「重新啟動礦工服務」訊息的條目。

3. 透過檢查lspci -vv -s 0000:xx:00.0 |確認硬體級恢復成功grep 'LnkSta:'輸出顯示重啟後穩定的速度 16GT/s和寬度 x16 。

4. 使用hive-stats -f gpu_temp驗證恢復後的溫度穩定性，以確保恢復操作後的前 120 秒內不會發生熱失控。

5. 對照 dmesg 交叉引用/var/log/hive/gpu-watchdog.log時間戳| grep -i 'nvidia|amdgpu'確認軟體偵測和核心事件日誌記錄之間的一致性。

常見問題解答

Q：HiveOS 自動重新啟動功能是否適用於 ASIC 礦機？答：不需要。自動重啟邏輯是專門為基於 GPU 的挖礦堆疊設計的。 ASIC 控制器獨立運行，需要外部看門狗硬體或池端故障轉移機制。

Q：我可以在多 GPU 裝置中為每個 GPU 配置不同的重新啟動延遲嗎？答： 不是天生的。 HiveOS 在所有偵測到的 GPU 上應用統一的重新啟動策略。每個裝置的計時需要與各個 PCI 位址綁定的自訂 systemd 覆蓋。

Q：恢復後自動重新啟動會保留我的超頻設定檔嗎？答：是的。 HiveOS 在每次礦工服務重新啟動期間重新載入活動的/hive-config/oc-profile.yaml ，維護所有電壓、記憶體和核心時脈設定。

Q：強制 GPU 重置期間是否有檔案系統損壞的風險？答：最少。 HiveOS 在崩潰復原序列期間使用唯讀根檔案系統掛載並僅寫入易失性/運行和日誌緩衝區。