e_smi_tool crashed when SMT disabled

[HenryHuang2004]

Hello!
I'm using RockyLinux 9.4 with kernel version 5.14.0-427.26.1.el9_4.x86_64, with AMD EPYC 9654 Processors.

When SMT enabled,everything works well, but for some reasons I have to make SMT disabled.

Then I've encountered a problem when trying to run e_smi_tool to query the CPU's current frequency and limit frequency. The issue appears to occur randomly, and an output is as follows:

-----------------------------------------------------------------------------------------------------------------
| CPU boostlimit in MHz:                                                                                     |
| cpu [  0] : 3700  3700  3700  3700  3700  3700  3700  3700  3700  3700  3700  3700  3700  3700  3700  3700    |
| cpu [ 16] : NA    NA    NA    NA    NA    NA    NA    NA    3700  3700  3700  3700  3700  3700  3700  3700    |
| cpu [ 32] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 48] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 64] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 80] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 96] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [112] : 3700  3700  3700  3700  3700  3700  3700  3700  NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [128] : NA    NA    NA    NA    NA    NA    NA    NA    3700  3700  3700  3700  3700  3700  3700  3700    |
| cpu [144] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [160] : 3700  3700  3700  3700  3700  3700  3700  3700  NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [176] : NA    NA    NA    NA    NA    NA    NA    NA    3700  3700  3700  3700  3700  3700  3700  3700    |
-----------------------------------------------------------------------------------------------------------------

-----------------------------------------------------------------------------------------------------------------
| CPU core clock current frequency limit in MHz:                                                             |
| cpu [  0] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 16] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 32] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 48] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 64] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 80] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [ 96] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [112] : 3700  3700  3700  3700  3700  3700  3700  3700  NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [128] : NA    NA    NA    NA    NA    NA    NA    NA    3700  3700  3700  3700  3700  3700  3700  3700    |
| cpu [144] : NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [160] : 3700  3700  3700  3700  3700  3700  3700  3700  NA    NA    NA    NA    NA    NA    NA    NA      |
| cpu [176] : NA    NA    NA    NA    NA    NA    NA    NA    3700  3700  3700  3700  3700  3700  3700  3700    |
-----------------------------------------------------------------------------------------------------------------

Additionally, when I try to run e_smi_tool repeatedly, I get the following error message:

Error in initialising HSMP version specific info, Only energy data can be obtained...
Err[3]: HSMP driver not present

Even after reloading the amd_hsmp module, the error persists. Fortunately, querying energy data still works correctly.

Could you please look into this issue? Any help would be greatly appreciated.

Thank you!

[sumachidanand]

Hi,

We will look into this issue and get back to you.

[HenryHuang2004]

Additionally, when IOMMU is disabled, e_smi_tool can get the boost limit and current frequency of the cores only in socket 0.
When I try to query or set something in socket 1, it reminds me Err[18]: Input value is invalid. It seems that the function hsmp_xfer doesn't work.

Hope the information helps.

[sumachidanand]

Hi Henry,

We are working on this issue. We will update you.

[sumachidanand]

We are not able to reproduce the "Err[18]: Input value is invalid" error in e_smi.
We have disabled IOMMU.
When IOMMU was disabled, even the SMT was disabled in your setup?

[sumachidanand]

Hi Henry,

Can you try with latest BIOS. The issue is no more seen with latest BIOS.