如何配置 HiveOS 在 GPU 崩溃时自动重启？ （稳定）

了解 HiveOS 中的 GPU 崩溃行为

1. HiveOS 环境中的 GPU 崩溃通常表现为挖矿进程突然终止、驱动程序挂起检测或硬件看门狗超时触发的内核级 NMI 中断。

2. 系统日志在/var/log/syslog中捕获这些事件，其模式类似于“NVRM: Xid (PCI:0000:xx:00.0): 79” （对于 NVIDIA）或“amdgpu: GPU 故障检测” （对于 AMD 设备）。

3. HiveOS默认不将GPU崩溃视为致命的系统故障；相反，它依赖于挖掘服务层中用户定义的恢复逻辑。

4. 如果在驱动程序配置中启用了nvidia-smi --gpu-reset ，则可能会自动发生内核级 GPU 重置，但这需要显式激活和 root 权限。

5. 持续崩溃通常与不稳定的超频配置、PCIe 供电不足或热节流持续超过 95°C 持续超过 60 秒有关。

自动重启逻辑的核心配置文件

1. 主要控制点位于/hive-config/user-config.yaml中，其中watchdog部分定义崩溃检测间隔和重启阈值。

2. 编辑/etc/systemd/system/hive-miner.service允许自定义Restart=on-failure 、 RestartSec=15和StartLimitIntervalSec=300以防止持续故障期间出现无限循环。

3. 位于/hive/sbin/中的gpu-health-check.sh脚本每 45 秒执行一次，并在nvidia-smi -q -d MEMORY |时触发hive-restart 。 grep '已使用' | awk '{print $3}'连续三次返回零或无效值。

4. 可以通过/hive-config/hooks/post-gpu-fail.sh注入自定义挂钩，从而启用风扇速度覆盖、核心时钟回滚或重启前临时池切换等操作。

5. HiveOS 固件版本 0.6-218 在/etc/default/hiveos中引入了GPU_WATCHDOG_ENABLED=true ，每 8 秒激活低级 PCI 总线轮询以检测设备消失。

硬件级恢复机制

1. 主板 BIOS 设置必须启用PCIe ASPM L1 Substates并禁用快速启动，以确保重置后正确的 GPU 重新枚举。

2. 额定低于 80 PLUS 金牌认证的电源装置经常无法在 GPU 恢复序列期间维持瞬时 300W+ 负载峰值，从而导致辅助系统重新启动。

3. 对于多 GPU 设备，BIOS 中的PCIe 插槽分配顺序会影响重置隔离 — 连接到单独 CPU PCIe 根联合体的插槽允许独立恢复。

4. NVIDIA 数据中心 GPU 需要/etc/modprobe.d/nvidia.conf中的NVreg_RegistryDwords='EnableMSI=0'以防止快速重启周期期间出现 MSI 中断风暴。

5. AMD RX 7000 系列卡需要将amdgpu.gpu_recovery=1添加到/etc/default/grub中的内核启动参数中，以激活硬件辅助恢复路径。

验证和诊断程序

1. 使用echo 1 > /sys/bus/pci/devices/0000:xx:00.0/remove模拟受控崩溃，然后使用echo 1 > /sys/bus/pci/rescan来验证重启计时和日志捕获准确性。

2. 监视journalctl -u hive-miner.service -n 100 --no-pager是否有包含“GPU 运行状况检查失败”和后续“重新启动矿工服务”消息的条目。

3. 通过检查lspci -vv -s 0000:xx:00.0 |确认硬件级恢复成功grep 'LnkSta:'输出显示重启后稳定的速度 16GT/s和宽度 x16 。

4. 使用hive-stats -f gpu_temp验证恢复后的温度稳定性，以确保恢复操作后的前 120 秒内不会发生热失控。

5. 对照 dmesg 交叉引用/var/log/hive/gpu-watchdog.log时间戳| grep -i 'nvidia|amdgpu'确认软件检测和内核事件日志记录之间的一致性。

常见问题解答

问：HiveOS 自动重启功能是否适用于 ASIC 矿机？答：不需要。自动重启逻辑是专门为基于 GPU 的挖矿堆栈设计的。 ASIC 控制器独立运行，需要外部看门狗硬件或池端故障转移机制。

问：我可以在多 GPU 设备中为每个 GPU 配置不同的重启延迟吗？答： 不是天生的。 HiveOS 在所有检测到的 GPU 上应用统一的重启策略。每个设备的计时需要与各个 PCI 地址绑定的自定义 systemd 覆盖。

问：恢复后自动重启会保留我的超频配置文件吗？答：是的。 HiveOS 在每次矿工服务重新启动期间重新加载活动的/hive-config/oc-profile.yaml ，维护所有电压、内存和核心时钟设置。

问：强制 GPU 重置期间是否存在文件系统损坏的风险？答：最少。 HiveOS 在崩溃恢复序列期间使用只读根文件系统挂载并仅写入易失性/运行和日志缓冲区。