AMD发布补丁以解决服务器休眠失败问题，该问题源于配备大量显存和Instinct加速器的服务器。具体来说，当服务器配置8个192GB显存的设备，且系统内存超过2TB时，休眠过程可能因内存不足而失败。工程师解释，休眠时系统尝试将显存迁移至GTT或共享内存，若显存过大，可能耗尽系统内存。修复方案包括释放GTT页面、强制将共享内存页面写入交换磁盘，并跳过解冻阶段的缓冲对象恢复以减少休眠时间。

💡问题根源：服务器配置大量显存（如8个192GB VRAM）和2TB以上系统内存时，休眠过程会将所有VRAM内存迁移到GTT或共享内存中，导致内存不足。

🛠️修复方案一：将GTT迁移到共享内存，以释放GTT页面。

⚙️修复方案二：强制将共享内存页面写入交换磁盘，释放共享内存页面。

⏳修复方案三：跳过解冻阶段的缓冲对象恢复，以减少休眠时间。由于解冻阶段恢复缓冲对象耗时较长（8个dGPU需要50分钟），且后续休眠阶段不使用GPU，因此该步骤并非必要。

IT之家 7 月 2 日消息，科技媒体 phoronix 昨日（7 月 1 日）发布博文，报道称 AMD 公司发布了新的补丁系列，修复了由于显存和 Instinct 加速器过多，导致的系统休眠失败故障。

IT之家援引博文介绍：如果一台服务器配有 8 个带有 192GB 显存的设备，系统内存超过 2TB，那么就会导致系统休眠出现故障。

AMD 工程师 Samuel Zhang 解释称休眠过程中，系统尝试将显存迁移到 GTT 或共享内存，如果显存过多，可能会导致系统内存耗尽。

Samuel Zhang 在最新发布的补丁中表示：

现代数据中心 dGPU 通常配备有非常大的 VRAM。在配备此类 dGPU（192GB VRAM * 8）和 2TB 系统内存的服务器上，休眠会因为内存不足而失败。

根本原因在于，休眠期间所有 vRAM 内存都会被迁移到 GTT 或共享内存。在两种情况下，它们都在系统内存中，内核会尝试将这些页面复制到休眠镜像。在最坏的情况下，这会在系统内存中创建两份 vRAM 内存副本，2TB 的内存不足以存储休眠镜像。

修复方案包括以下两个变更：1. 将 GTT 迁移到共享内存，释放 GTT 页面；2. 强制将共享内存页面写入交换磁盘，释放共享内存页面。

在休眠准备阶段将 GTT 迁移到共享内存后，在解冻阶段恢复缓冲对象需要大量时间（观察到 8 个 dGPU 需要 50 分钟）。

由于后续休眠阶段不需要使用 GPU，这一步骤并非必要。第三个补丁就是跳过解冻阶段的缓冲对象恢复，以减少休眠时间。