05 驱动 Fence 超时与 Kernel Panic 故障诊断¶

案例 1：DRM Scheduler Fence 超时触发 GPU 软复位¶

1. 现场故障日志¶

[ 142.890123] [drm:drm_sched_job_timedout] *ERROR* ring compute_0 timeout, signaled seq=45820, emitted seq=45821
[ 142.890150] [drm] GPU Reset initiated on device 0000:01:00.0
[ 142.920400] [drm] GPU soft reset succeeded, restarting guilty job entity

sequenceDiagram
    autonumber
    participant App as 用户态应用
    participant DRM as Linux DRM Scheduler
    participant GPU as GPU 执行引擎

    App->>DRM: 提交 GPU Job (Seq = 45821)
    DRM->>GPU: 写入 Ring Buffer 并发射
    Note over GPU: Kernel 内部发生无条件死循环，无法到达 EOP
    DRM->>DRM: 10000ms Watchdog 定时器超时!
    DRM->>GPU: 下发 IP 级 Soft Reset 重置 Compute Engine
    DRM-->>App: 向进程返回 -ETIMEDOUT 错误

2. 根因剖析与隔离机制¶

• 根因：用户下发的 CUDA Kernel 中存在无条件自旋锁（Spinlock），等待某未初始化的共享内存标志位，导致 GPU 硬件无法产生 EOP（End-of-Pipe）Fence 信号。
• 处理：DRM 调度器捕获超时后，触发 GPU 引擎软复位（Soft Reset），仅销毁违规进程上下文，保护整个操作系统不崩溃。