ECC Mode设置问题

什么是ECC Mode?

ECC (Error Correcting Code) 是一种实现内存错误检查和纠正的技术，通过GPU驱动开启ECC Mode后，驱动会通过消耗一部分显存作为校验位来对数据损坏进行发现，一般情况下损坏可进行自动修正。

如何确认ECC Mode的开启状态

1. 登陆云主机，执行下如下指令即可查询当前ECC状态。
   

如何开启或关闭ECC Mode

• 关闭ECC Mode
  

1. 如果针对所有GPU设备关闭ECC Mode，执行如下指令：
   

   nvidia-smi -e 0

   
2. 如果针对指定GPU设备关闭 ECC Mode，执行如下指令，其中id为GPU设备的索引，比如：nvidia-smi -i 0000:07:00.0 -e 0 
   

   nvidia-smi -i id -e 0

   
3. 重启虚拟机
   

   reboot

4.  确认当前虚拟机的ECC状态
   

• 开启ECC Mode

1. 如果针对所有GPU设备关闭ECC Mode，执行如下指令：
   

   nvidia-smi -e 1

   
2.  如果针对指定GPU设备关闭 ECC Mode，执行如下指令，其中id为GPU设备的索引，比如：nvidia-smi -i 0000:07:00.0 -e 1：
   

    nvidia-smi -i id -e 1

   
3. 重启虚拟机：
   

   reboot

4. 确认当前虚拟机的ECC状态
   

为什么GPU云主机开启/关闭ECC Mode不生效

问题现象：部分用户使用GPU云主机时，通过驱动设置ECC Mode，重启实例以后查询显示设置未生效。

如下图所示current和pending ECC Mode状态不一致：

问题原因：这是因为NVIDIA Tesla 535及以上版本驱动，Legacy Persistence Mode支持不佳。

解决方法：需要开启Persistence Daemon启用新版持久化功能，再进行ECC设置，操作步骤如下

1. 登陆云主机，执行如下命令开启Persistence Mode，参考英伟达官方文档指引开启Persistence Mode

sudo nvidia-persistenced --user <username>    # 运行Persistence Daemon，username为您的用户名
nvidia-smi -pm 1                             # 开启Persistence Mode

2. 执行如下命令，进行ECC设置

nvidia-smi -pm 0                            # 关闭Persistence Mode
nvidia-persistenced --persistence-mode     # 启动Persistence Daemon
nvidia-smi -e 1                             # 开启ECC Mode（1为Enable，0为Disable）
reboot                                    # 重启OS

3. 重启后登陆云主机查看ECC开启状态

nvidia-smi -q -d ecc