第六篇: `dmesg` & `lspci` - 硬件层面的“黑匣子”与“雷达” - 教程

第六篇: dmesg & lspci - 硬件层面的“黑匣子”与“雷达”

核心目标

学会使用lspci和dmesg这两个Linux原生命令，从最底层的PCI总线和内核日志层面，去侦测和诊断那些nvidia-smi无法解释的“疑难杂症”。

使用场景

当你遇到以下情况时，nvidia-smi可能会失灵或无法提供足够信息，这时就轮到lspci和dmesg登场了：

• GPU“消失”：nvidia-smi显示的GPU数量少于服务器实际安装的数量。
• 驱动加载失败：nvidia-smi返回couldn't communicate with the NVIDIA driver的经典错误。
• 任务莫名崩溃：应用日志只报一个通用的CUDA错误，但nvidia-smi看起来一切正常，你需要寻找更深层次的原因。

我们将这两个命令比作飞机的“雷达”和“黑匣子”。

一、lspci - 硬件“雷达”：GPU是否存在？

在排查任何驱动问题之前，我们必须先回答一个最基本的问题：操作系统内核，到底有没有在PCIe总线上“看”到这块物理硬件？lspci（List PCI）就是回答这个问题的权威工具。

命令