А тем временем, инженеры Facebook сражаются с ошибками PCIe на своих немаленьких кластерах. Аккуратная гуманная статья с поправкой на то, что гиганты не могут жить на простых средствах (в том числе мониторинга) и часть стека переписывают сами. Статья понравилась детальностью, не хватало только их эвристик по фатальности алертов https://engineering.fb.com/2021/06/02/data-center-engineering/how-facebook-deals-with-pcie-faults-to-keep-our-data-centers-running-reliably/