必须立即定位aer错误根因：先用dmesg -t | grep -i "pcie\|aer" | tail -20确认高频触发（毫秒级时间戳），再通过lspci验证显卡aer支持性，提取bdf定位设备，结合type=physical/data link/transaction layer判断故障层级，最后用setpci或sysfs读取aer寄存器计数并执行物理隔离与aspm禁用等干预措施。
显卡因PCIe总线错误重传计数（AER）过高导致dmesg日志每秒刷屏、磁盘写满、监控告警频发，必须立即定位是链路物理劣化、GPU固件缺陷还是Root Complex配置异常。
确认AER错误是否真实爆发
执行dmesg -t | grep -i "pcie\|aer" | tail -20，观察是否出现连续重复的severity=Corrected或severity=Uncorrectable条目。若时间戳间隔稳定在毫秒级（如[12345.678901]→[12345.678912]），说明错误正在高频触发，不是偶发噪音。
运行lspci -vvv -s $(lspci | grep VGA | head -1 | awk '{print $1}') | grep -A 5 "Advanced Error Reporting"，确认显卡设备确实支持AER能力。若输出为空或显示Advanced Error Reporting: not supported，则日志中的AER字样来自上游Root Port而非显卡本身，排查方向需上移至PCIe插槽对应的根端口。
提取错误源BDF与错误类型
从dmesg输出中提取形如0000:01:00.0的BDF地址——这是错误发生的精确位置。用该地址反查设备：lspci -s 0000:01:00.0 -mm，确认是否为你的目标显卡（Vendor ID应为10de（NVIDIA）或1002（AMD））。
重点识别日志中type=字段后的层级：若为Physical Layer，问题大概率出在金手指接触、PCB走线阻抗、主板供电纹波；若为Data Link Layer，则指向LCRC校验失败，常见于信号完整性恶化或链路训练参数不匹配；若为Transaction Layer，需怀疑GPU驱动提交了非法TLP或显存控制器返回毒化数据。
【务必核对BDF前缀与实际插槽物理位置一致】。例如BDF为0000:03:00.0却查到是NVMe盘，说明显卡实际插在0000:01:00.0而日志被上游端口转发，此时应检查0000:00:1c.0这类Root Port的AER状态寄存器。
读取并解析AER错误计数寄存器
方法一：用setpci直接读取设备AER状态寄存器
执行setpci -s 0000:01:00.0 100.w（AER Capability结构起始偏移为0x100）。正常值应为00000000；若高位非零（如00000001），对应bit0为RxErr（接收错误），bit4为BadTLP（畸形事务层包）。
方法二：查看内核暴露的sysfs接口
执行cat /sys/bus/pci/devices/0000:01:00.0/aer_dev_correctable和/sys/bus/pci/devices/0000:01:00.0/aer_dev_uncorrectable。两个文件内容均为十六进制数字，数值持续增长即证实硬件级错误累积。注意：该路径仅在内核启用CONFIG_PCIEAER=y且设备支持时存在。
方法三：用rasdaemon实时聚合
若已部署rasdaemon服务，执行ras-mc-ctl --summary。重点关注PCIe AER Correctable Errors和PCIe AER Uncorrectable Errors两栏的增量速率。单秒超过5次即属异常，需立即干预。
隔离物理层干扰源
第一步：拔掉显卡，用橡皮擦反复擦拭金手指，再用压缩空气吹净插槽内金属碎屑。重新安装后紧固螺丝，确保PCIe插槽簧片与金手指压力均匀。
第二步：更换PCIe插槽。将显卡移至主板另一条PCIe x16插槽（需确认该插槽直连CPU而非PCH），重启后观察dmesg错误是否消失。若消失，原插槽的PCB走线或供电模块存在隐性故障。
第三步：禁用ASPM节能。编辑/etc/default/grub，在GRUB_CMDLINE_LINUX中追加pcie_aspm=off，运行sudo update-grub && sudo reboot。ASPM在某些主板BIOS版本下会引发链路训练不稳定，表现为周期性Corrected错误激增。
第四步：检查GPU风扇与散热。用手轻触显卡散热鳍片，若温度超过75℃且风扇转速低于默认值，强制刷新VBIOS或更新GPU驱动可能缓解因热导致的PHY层误码。
验证Root Complex AER使能状态
执行lspci -vvv -s $(lspci | grep "PCI bridge" | grep -E "(Root|Upstream)" | head -1 | awk '{print $1}') | grep -A 10 "Advanced Error Reporting"，找到Root Port设备（通常BDF为0000:00:xx.x）。
观察其AER Capability结构中的UESta（Uncorrectable Error Status）和UEMsk（Uncorrectable Error Mask）字段。若UEMsk中RxErr、BadTLP等位为+，表示对应错误被屏蔽，系统不会上报；若为-，则错误会透传至OS。当前日志爆满，说明这些位大概率是+，但需确认UESta对应位是否持续置1——若是，证明硬件确实在报错，而非软件误判。
执行setpci -s 0000:00:1c.0 410.w（Root Port AER寄存器偏移0x410为UESta），返回值非零即证实Root Complex已捕获错误。此时不可简单清零，否则掩盖真实故障。
