【环境配置】Ubuntu 24.04 升级新内核后 Kernel Panic：NVIDIA DKMS 编译失败导致 initramfs 缺失的修复过程

【故障排查记录】Ubuntu 24.04 升级新内核后 Kernel Panic：NVIDIA DKMS 编译失败导致 initramfs 缺失的修复过程

1. 问题背景

服务器系统为 Ubuntu 24.04，配置了 4 张 NVIDIA GeForce RTX 2080 Ti。

系统升级后安装了新的 Linux 内核：

bash 复制代码

7.0.0-28-generic

但服务器在使用新内核启动时出现异常，最终只能通过 GRUB 选择旧内核：

bash 复制代码

6.17.0-35-generic

进入系统。

最开始怀疑是突然断电或 initramfs 损坏导致 Kernel Panic，因此进入旧内核后开始检查新内核状态。

2. 查看当前系统中的内核

首先查看安装过的内核：

bash 复制代码

dpkg --list | grep linux-image

关键输出如下：

text 复制代码

ii  linux-image-6.17.0-35-generic
iF  linux-image-7.0.0-28-generic
ii  linux-image-generic-hwe-24.04

其中：

text 复制代码

ii

表示软件包已经正常安装并配置完成。

text 复制代码

iF

表示软件包已经安装，但配置失败。

因此可以确定：

text 复制代码

6.17.0-35-generic

是正常可用的旧内核，而：

text 复制代码

7.0.0-28-generic

虽然已经安装，但没有完成配置。

查看当前正在运行的内核：

bash 复制代码

uname -r

输出：

text 复制代码

6.17.0-35-generic

说明当前确实是通过旧内核启动的。

3. 检查 /boot 中的新内核文件

执行：

bash 复制代码

ls -lh /boot | grep -E '6.17.0-35|7.0.0-28'

当时发现：

text 复制代码

vmlinuz-7.0.0-28-generic

已经存在，但是：

text 复制代码

initrd.img-7.0.0-28-generic

并不存在。

虽然有：

text 复制代码

initrd.img -> initrd.img-7.0.0-28-generic

但它只是一个符号链接，实际目标文件并没有生成。

这意味着新内核虽然有 kernel image，但缺少正常启动所需的 initramfs。

检查磁盘空间：

bash 复制代码

df -h /boot /

结果磁盘空间非常充足，因此可以排除 /boot 空间不足的问题。

4. 使用 dpkg 继续配置新内核

执行：

bash 复制代码

sudo dpkg --configure -a

出现关键报错：

text 复制代码

Error! nvidia/570.195.03 is broken!
Missing the source directory or the symbolic link pointing to it.
Manual intervention is required!

随后 NVIDIA 570.211.01 尝试为 7.0.0-28 编译 DKMS 模块：

text 复制代码

Autoinstall of module nvidia/570.211.01 for kernel 7.0.0-28-generic

最终失败：

text 复制代码

Building module(s)...............(bad exit status: 2)

Error! Bad return status for module build on kernel: 7.0.0-28-generic

并进一步导致：

text 复制代码

linux-headers-7.0.0-28-generic
linux-headers-generic-hwe-24.04
linux-generic-hwe-24.04
linux-image-7.0.0-28-generic

全部配置失败。

5. 确认 NVIDIA DKMS 状态

执行：

bash 复制代码

dkms status

发现：

text 复制代码

nvidia/570.195.03: broken
nvidia/570.211.01, 6.17.0-35-generic, x86_64: installed

这说明存在两个不同的问题。

第一个是旧的 NVIDIA DKMS 570.195.03 已经损坏。

第二个是当前 NVIDIA 570.211.01 可以正常工作在：

text 复制代码

6.17.0-35-generic

但无法针对：

text 复制代码

7.0.0-28-generic

完成编译。

6. 清理损坏的 NVIDIA 570.195.03 DKMS 残留

尝试正常删除：

bash 复制代码

sudo dkms remove nvidia/570.195.03 --all

但失败：

text 复制代码

Error! nvidia/570.195.03 is broken!
Missing the source directory or the symbolic link pointing to it.
Manual intervention is required!

说明该 DKMS 条目的源码目录已经丢失，DKMS 本身无法正常删除。

因此手动删除损坏的 DKMS 状态目录：

bash 复制代码

sudo rm -rf /var/lib/dkms/nvidia/570.195.03

再次检查：

bash 复制代码

dkms status

此时只剩：

text 复制代码

nvidia/570.211.01, 6.17.0-35-generic, x86_64: installed

旧的 broken 条目已经清理完成。

7. 查看 NVIDIA 570.211.01 的真正编译错误

执行：

bash 复制代码

grep -iE 'error:|fatal:' \
/var/lib/dkms/nvidia/570.211.01/build/make.log | tail -30

出现大量内核 API 相关错误：

text 复制代码

error: 'struct vm_area_struct' has no member named '__vm_flags'
error: implicit declaration of function 'in_irq'
error: 'const struct dma_map_ops' has no member named 'map_resource'
error: 'VMA_LOCK_OFFSET' undeclared
error: too many arguments to function '__is_vma_write_locked'

至此可以确认：

问题并不是 initramfs 命令本身失败，也不是磁盘空间不足，而是：

text 复制代码

NVIDIA 570.211.01

与：

text 复制代码

Linux 7.0.0-28

之间存在内核接口兼容问题。

因此 NVIDIA DKMS 编译失败，进一步导致新内核配置失败，最终导致 initramfs 无法正常生成。

故障链可以概括为：

text 复制代码

NVIDIA 570.211.01 与 Linux 7.0 API 不兼容
                ↓
DKMS 编译失败
                ↓
linux-headers 配置失败
                ↓
linux-image 配置失败
                ↓
initramfs 未生成
                ↓
新内核无法正常启动

8. 确认显卡和 Ubuntu 推荐驱动

查看显卡：

bash 复制代码

nvidia-smi --query-gpu=name,driver_version --format=csv,noheader

输出：

text 复制代码

NVIDIA GeForce RTX 2080 Ti, 570.211.01
NVIDIA GeForce RTX 2080 Ti, 570.211.01
NVIDIA GeForce RTX 2080 Ti, 570.211.01
NVIDIA GeForce RTX 2080 Ti, 570.211.01

服务器共有 4 张 RTX 2080 Ti。

查看 Ubuntu 推荐驱动：

bash 复制代码

ubuntu-drivers devices

其中显示：

text 复制代码

nvidia-driver-595-open - distro non-free recommended

因此决定将 NVIDIA 570 驱动升级为：

text 复制代码

nvidia-driver-595-open

9. 安装 NVIDIA 595-open 时遇到新的包冲突

执行安装：

bash 复制代码

sudo apt update
sudo apt install nvidia-driver-595-open

安装过程中出现：

text 复制代码

dpkg: error processing archive ... libnvidia-gl-595 ...
trying to overwrite
'/usr/lib/x86_64-linux-gnu/libnvidia-egl-xcb.so.1.0.5',
which is also in package libnvidia-egl-xcb1:amd64 1.0.5-1ubuntu1

说明系统中已有：

text 复制代码

libnvidia-egl-xcb1

而新的：

text 复制代码

libnvidia-gl-595

也要安装同一个文件，因此发生 dpkg 文件冲突。

查看相关包：

bash 复制代码

dpkg -l | grep -E 'libnvidia-egl-(xcb|xlib|gbm)'

发现：

text 复制代码

ii  libnvidia-egl-xcb1:amd64
ii  libnvidia-egl-xlib1:amd64

10. 清理冲突的 EGL 包

直接使用 apt 删除时：

bash 复制代码

sudo apt remove libnvidia-egl-xcb1 libnvidia-egl-xlib1

由于系统此时已经处于依赖未完成状态，apt 无法完成删除。

因此改用 dpkg 删除：

bash 复制代码

sudo dpkg -r libnvidia-egl-xcb1:amd64 libnvidia-egl-xlib1:amd64

如果因为依赖关系仍然无法删除，可以执行：

bash 复制代码

sudo dpkg --remove --force-depends \
  libnvidia-egl-xcb1:amd64 \
  libnvidia-egl-xlib1:amd64

这里的目的只是临时解除冲突，后续立即让 apt 修复依赖关系。

然后执行：

bash 复制代码

sudo apt --fix-broken install

使系统继续完成：

text 复制代码

libnvidia-gl-595
nvidia-kernel-source-595-open
nvidia-dkms-595-open
nvidia-utils-595
nvidia-driver-595-open

等相关软件包的安装和配置。

11. 完成所有软件包配置

执行：

bash 复制代码

sudo dpkg --configure -a

这一次没有再出现错误。

检查 DKMS：

bash 复制代码

dkms status

最终输出：

text 复制代码

nvidia/595.84, 6.17.0-35-generic, x86_64: installed
nvidia/595.84, 7.0.0-28-generic, x86_64: installed

这说明 NVIDIA 595.84 已经成功同时为两个内核生成模块：

text 复制代码

6.17.0-35-generic
7.0.0-28-generic

检查 dpkg 状态：

bash 复制代码

dpkg --audit

无任何输出，说明系统中已经没有处于未完成配置状态的软件包。

12. 重新生成 7.0.0-28 的 initramfs

检查：

bash 复制代码

ls -lh /boot/initrd.img-7.0.0-28-generic

已经看到：

text 复制代码

-rw-r--r-- 1 root root 76M ... /boot/initrd.img-7.0.0-28-generic

为了确保 initramfs 内容完整，再执行：

bash 复制代码

sudo update-initramfs -u -k 7.0.0-28-generic

输出：

text 复制代码

update-initramfs: Generating /boot/initrd.img-7.0.0-28-generic

期间出现：

text 复制代码

I: The initramfs will attempt to resume from /dev/nvme0n1p1

这只是休眠恢复设备提示，不属于错误。

13. 更新 GRUB

执行：

bash 复制代码

sudo update-grub

成功识别两个内核：

text 复制代码

Found linux image: /boot/vmlinuz-7.0.0-28-generic
Found initrd image: /boot/initrd.img-7.0.0-28-generic

Found linux image: /boot/vmlinuz-6.17.0-35-generic
Found initrd image: /boot/initrd.img-6.17.0-35-generic

此时 /boot 中的新旧内核均完整：

text 复制代码

vmlinuz-6.17.0-35-generic
initrd.img-6.17.0-35-generic

vmlinuz-7.0.0-28-generic
initrd.img-7.0.0-28-generic

14. 保留旧内核作为救援内核

在整个修复过程中，没有删除：

text 复制代码

6.17.0-35-generic

并将其标记为手动安装：

bash 复制代码

sudo apt-mark manual \
  linux-image-6.17.0-35-generic \
  linux-modules-6.17.0-35-generic

这样可以降低它被：

bash 复制代码

apt autoremove

误清理的风险。

对于服务器而言，保留一个已经验证能够正常启动的旧内核非常有必要。

15. 重启验证

确认所有步骤完成后执行：

bash 复制代码

sudo reboot

服务器重新启动后：

bash 复制代码

uname -r

输出：

text 复制代码

7.0.0-28-generic

说明新内核已经正常启动。

16. 验证 NVIDIA 驱动

执行：

bash 复制代码

nvidia-smi

结果：

text 复制代码

NVIDIA-SMI 595.84
Driver Version: 595.84
CUDA Version: 13.2

4 张 RTX 2080 Ti 全部正常识别：

text 复制代码

GPU 0  NVIDIA GeForce RTX 2080 Ti
GPU 1  NVIDIA GeForce RTX 2080 Ti
GPU 2  NVIDIA GeForce RTX 2080 Ti
GPU 3  NVIDIA GeForce RTX 2080 Ti

说明 NVIDIA 驱动已经恢复正常。

17. 再次验证 DKMS

执行：

bash 复制代码

dkms status

输出：

text 复制代码

nvidia/595.84, 6.17.0-35-generic, x86_64: installed
nvidia/595.84, 7.0.0-28-generic, x86_64: installed

说明两个内核都已经具备对应的 NVIDIA 内核模块。

18. 检查系统服务

执行：

bash 复制代码

systemctl --failed

输出：

text 复制代码

0 loaded units listed.

说明系统启动后没有失败的 systemd 服务。

至此故障彻底解决。

19. 最终解决方案总结

这次问题最初表现为：

text 复制代码

Ubuntu 新内核启动失败 / Kernel Panic

但真正原因并不是单纯的 initramfs 损坏，而是：

text 复制代码

Linux 7.0.0-28
        +
NVIDIA 570.211.01
        ↓
DKMS 编译失败

最终导致：

text 复制代码

DKMS failure
    ↓
linux-headers 配置失败
    ↓
linux-image 配置失败
    ↓
initramfs 缺失
    ↓
新内核无法启动

实际修复过程为：

text 复制代码

1. 使用旧内核 6.17.0-35 启动系统
              ↓
2. 保留旧内核，不进行 autoremove
              ↓
3. 清理损坏的 nvidia/570.195.03 DKMS 残留
              ↓
4. 确认 570.211.01 无法适配 Linux 7.0
              ↓
5. 升级到 nvidia-driver-595-open
              ↓
6. 处理 libnvidia-egl-xcb1 / xlib1 文件冲突
              ↓
7. apt --fix-broken install
              ↓
8. dpkg --configure -a
              ↓
9. NVIDIA 595.84 成功为两个内核构建 DKMS
              ↓
10. 重新生成 initramfs
              ↓
11. update-grub
              ↓
12. 重启进入 7.0.0-28
              ↓
13. nvidia-smi / DKMS / systemd 全部正常

20. 本次最终状态

当前内核：

bash 复制代码

uname -r

text 复制代码

7.0.0-28-generic

NVIDIA 驱动：

text 复制代码

595.84

CUDA Driver API 显示版本：

text 复制代码

CUDA Version: 13.2

GPU：

text 复制代码

4 × NVIDIA GeForce RTX 2080 Ti

DKMS：

text 复制代码

nvidia/595.84, 6.17.0-35-generic, x86_64: installed
nvidia/595.84, 7.0.0-28-generic, x86_64: installed

系统失败服务：

text 复制代码

0 loaded units listed.

系统已经恢复正常。

21. 一些经验总结

21.1 不要看到 Kernel Panic 就直接认定是 initramfs 损坏

initramfs 缺失有时只是结果。

本次真正的上游原因是：

text 复制代码

NVIDIA DKMS 无法针对新内核编译

因此应当优先查看：

bash 复制代码

sudo dpkg --configure -a

以及：

bash 复制代码

dkms status

和：

bash 复制代码

/var/lib/dkms/<模块>/<版本>/build/make.log

21.2 新内核启动失败时不要急着删除旧内核

旧内核：

text 复制代码

6.17.0-35-generic

是本次整个修复过程能够顺利完成的关键。

服务器上建议至少保留一个已经验证可正常启动的旧内核。

可以使用：

bash 复制代码

sudo apt-mark manual \
  linux-image-6.17.0-35-generic \
  linux-modules-6.17.0-35-generic

防止其被自动清理。

21.3 DKMS 报错时一定要看 make.log

只看到：

text 复制代码

Bad return status for module build

无法确定真正原因。

应该继续查看：

bash 复制代码

grep -iE 'error:|fatal:' \
/var/lib/dkms/nvidia/<版本>/build/make.log | tail -30

本次就是通过日志中的：

text 复制代码

__vm_flags
VMA_LOCK_OFFSET
map_resource
in_irq

最终确认 NVIDIA 570 与新内核 API 不兼容。

21.4 不建议直接使用 rm 删除系统动态库

遇到：

text 复制代码

trying to overwrite ...

不要直接删除：

text 复制代码

/usr/lib/x86_64-linux-gnu/

下的文件。

应该先使用：

bash 复制代码

dpkg -S 文件路径

确认该文件属于哪个包，然后从包管理层面处理。

21.5 不要在系统包状态异常时执行 apt autoremove

如果：

bash 复制代码

dpkg --audit

仍然有异常，或者：

bash 复制代码

dkms status

仍有 broken 状态，不建议执行：

bash 复制代码

sudo apt autoremove

否则有可能把仍然需要的旧内核、驱动或依赖一起清理掉。

22. 常用排查命令汇总

查看当前内核：

bash 复制代码

uname -r

查看已安装内核：

bash 复制代码

dpkg --list | grep '^ii' | grep 'linux-image-[0-9]'

查看 /boot：

bash 复制代码

ls -lh /boot

查看 DKMS：

bash 复制代码

dkms status

检查 dpkg：

bash 复制代码

sudo dpkg --audit

继续配置未完成的软件包：

bash 复制代码

sudo dpkg --configure -a

修复依赖：

bash 复制代码

sudo apt --fix-broken install

查看 NVIDIA：

bash 复制代码

nvidia-smi

查看推荐驱动：

bash 复制代码

ubuntu-drivers devices

重新生成指定内核 initramfs：

bash 复制代码

sudo update-initramfs -u -k <kernel-version>

更新 GRUB：

bash 复制代码

sudo update-grub

查看系统启动失败服务：

bash 复制代码

systemctl --failed

结语

这次故障表面上是 Ubuntu 新内核启动失败和 initramfs 缺失，实际上是一条典型的"驱动兼容性问题引发内核包配置失败"的故障链。

最终解决问题的关键不是单纯反复执行：

bash 复制代码

update-initramfs

而是先处理：

text 复制代码

NVIDIA DKMS 与新 Linux 内核之间的兼容问题

只有 DKMS 能够成功编译，新内核软件包才能完成配置，initramfs 才能正常生成，GRUB 才能最终启动新内核。