GPU 矿机常见问题故障排除

电源不稳定

1. 在密集挖矿期间，电压波动会触发 GPU 立即关闭。

2. 当所有 GPU 同时运行时，PSU 瓦数计算错误会导致电源不足。

3. 12V 导轨分配不足导致辅助插槽上的 PCIe 链路间歇性掉线。

4. 低质量的 ATX 连接器会引入电阻，导致电力传输路径的热退化。

5. 8 针 CPU 电源线丢失或安装不当会导致主板 VRM 在持续负载下不稳定。

GPU 检测失败

1. 启用 CSM 的 BIOS 设置会阻止正确枚举前两个插槽之外的 PCIe 设备。

2. 主板固件错误导致 PCIe 分叉配置错误，导致 GPU 对操作系统不可见。

3. 重复插入 GPU 造成的物理插槽损坏会导致间歇性电气接触损失。

4. GPU BIOS 损坏表现为 lspci 输出中的设备 ID 读取为零，尽管物理存在。

5. 系统从挂起状态恢复后，内核级 PCIe 热插拔处理错误会抑制检测。

冷却和热节流

1. GPU散热器内部积聚灰尘，连续运行4周内，导热系数降低40%以上。

2. 风扇曲线配置不当导致结温超过 92°C 才会触发节流。

3. 封闭采矿框架内的环境空气再循环使入口温度比房间基线高出 18–22°C。

4. 在 75°C+ 不间断运行 14 个月后，参考 PCB 上的导热膏开始退化。

5. GPU 内存连接传感器由于相邻 VRM 电路的电磁干扰而报告错误的高读数。

驱动程序和内核冲突

1. NVIDIA 驱动程序版本 535.161.07 引入了 Linux 6.8 内核下多 GPU 上下文切换延迟的回归。

2. 像 nvidia-peermem 这样的树外内核模块在 initramfs 重新生成事件后无法自动重新加载。

3. Xorg 服务器初始化干扰无头计算模式，导致 GPU 0 上的 CUDA 上下文失败。

4. 安全启动强制执行会阻止 RTX 4090 D 型号上内存训练所需的未签名 GPU 固件 blob。

5. systemd-logind 服务在会话清理期间尝试 GPU 访问，锁定设备节点并阻止矿工重新启动。

网络和池通信错误

1. 当挖矿软件无法解析包含非 ASCII 字符的扩展作业 ID 时，会发生 Stratum v1 协议超时。

2. 容器化矿工中的 DNS 解析失败会导致持续的池重新连接循环，而无需使用后备 IP。

3. iptables 规则阻止临时端口范围，阻止提交确认到达本地矿工守护进程。

4. TLS 证书固定不匹配会中断与使用在会话中轮换的 Let's Encrypt 通配符证书的池的连接。

5. 当 NIC RX 环形缓冲区在网络拥塞突发期间溢出时，基于 UDP 的层实现会默默地丢弃共享。

常见问题解答

问：为什么 nvidia-smi 显示所有 GPU 的功耗均为 0W，即使它们正在积极挖矿？答：当 GPU 的功率传感器固件由于 VBIOS 损坏或驱动程序加载的功率限制表不匹配而无法初始化时，就会出现这种情况。

问：M.2 NVMe 和 GPU 插槽之间的 PCIe 通道共享会导致算力不稳定吗？答：是的 - 共享根联合体仲裁会引入可变延迟峰值，从而破坏一致的内核启动时序，直接使双 M.2 主板上的有效哈希率降低高达 7.3%。

问：什么原因导致“GPU 未找到”错误，特别是在内核更新之后、重新启动之前？答：内核模块签名要求随版本的不同而变化；先前加载的 nvidia.ko 仍然驻留，但拒绝绑定新设备，直到完全模块重新加载，这仅在重新启动或手动 rmmod/insmod 周期时发生。

问：为什么有些 GPU 在监控工具中报告的温度正确，但风扇速度不正确？答：某些 AIB 合作伙伴卡上的风扇控制器 IC 使用开源传感器驱动程序不支持的专有 I2C 命令集，导致读取超时被解释为零 RPM。