对于一个项目，我们有50台服务器（全部）配备（通常）相同的硬件。我们这里遇到的问题非常严重，并且在所有计算机上都会发生。尽管付出了很多努力，并与制造商和软件开发人员联系，但每个人都指向彼此，甚至拒绝向我提供正在发生的事情的线索。
首先让我描述一下设置。这是“服务器级”硬件。对于我的第一次经验，servergrade是我一生中最大的失望。
- 超微X10SDV-8C + -LN2F
- 英特尔至强D-1540（嵌入式主板上）
- 定制设计的1U机箱或SuperMicro原装机箱
- 480瓦服务器PSU或200瓦SuperMicro原始PSU
- 三星Evo 850 500 GB SSD
- 32 GB DDR4-2133 ECC或NON-ECC（但不能在同一服务器中混合使用）
- 华硕GT730 4GB DDR3 GPU
- GPU装有PCIe转接卡（非功能区），其名称来自中国或SuperMicro原创
在系统上运行-Windows Server 2012 R2 Enterprise-VMWare工作站12-VM运行GPU密集型任务-该系统有货，根本没有超频/超频
症状-随机BSOD 0x09c（又名Machine_Check_Exception）：有时系统运行一周没有问题，有时在仅10分钟后崩溃，但大多数情况下运行了几个小时。
已经尝试/检查过：
- BIOS更新为最新版本（我现在认为这可以缩短系统稳定的时间，但这可能是随机的）。
- Windows已更新为最新版本。
- VMWare已更新为最新版本。
- 交换所有组件并尝试了所有其他选项，甚至尝试了台式机ATX PSU和M.2 SSD。
- 使用Ubuntu从头开始安装所有系统。我不熟悉Linux，也从未见过Linux BSOD，但由于服务器系统没有头，所以我仍然没有，我在DC中尝试过。结果：系统将挂起，并且重启后Linux报告XORG崩溃（与GPU相关）。
- 将BIOS中的GPU设置更改为“ Above 4G”，BIOS的其余部分为出厂默认设置。
还提供信息：
- 系统位于数据中心中。温度，空气，功率和网络是最佳的。
- 温度远低于出厂最高温度
- 我们在台式计算机（带有台式机硬件）上运行的软件设置完全相同。这些系统每月可以正常运行100台PC中的1台崩溃。
- 我已经联系VMWare，说这是硬件问题
- 我已经联系了超微（SuperMicro），他们只说了几句话，什么都没有说，并且已经尝试过了，而且这仍然可能是软件问题。
我们在这里绝望。幸运的是，我们运行的应用程序是多余的。如果服务器及其上的VM掉线，则不是问题，其他服务器将在5分钟内接管负载，但是按照这种速率，我必须整天处于联机状态才能重新启动服务器。
我拥有大量的硬件知识，但是这已经过去了，我整天都在搜索一个多月以尝试各种不同的方法。这些主板可与托管服务提供商大规模使用，这一事实使我怀疑主板本身还可以。对于RMA，这绝对不是特定的硬件问题，因为所有50个板卡都有相同的症状。与我们唯一不同的是GPU。这与Linux实验相结合，使我怀疑这一定是PCIe通道上的东西。GPU本身在台式机主板上是稳定的。尽管内存容量很大，但是这是一个小的GPU，不会消耗太多电能。我会怀疑中国的转接卡，但是我们又使用了超微认证的转接卡，它们丝毫没有改善。
我非常渴望在这里找到解决方案。这将从确定确切原因开始。我们愿意向能够分析一些转储并提供更多详细信息（甚至更好的是，解决方案）的专家表示感谢。
亲切的问候，
西蒙