GPU监控基于Exporter+Prometheus+Grafana体系提供更为丰富的GPU可观性场景,您可以使用基于容器服务开发的GPU Exporter监控指标构建Grafana大盘。本文介绍GPU监控指标的详细信息。
指标计费说明
GPU监控使用GPU Exporter兼容开源DCGM Exporter提供的监控指标。以下GPU监控指标均为基础指标,传入到Prometheus不会产生额外的费用。如果您使用其他自定义指标,则会产生额外的费用。具体收费策略,请参见计费概述。
指标列表
DCGM指标
DCGM相关指标可以基于以下资源维度进行筛选:
namespace="{{pod_namespace}}"
pod="{{pod_name}}"
pod_name="{{pod_name}}"
node="virtual-kubelet-xxx"
Hostname="{{pod_name}}"
modelName="example-model"
gpu="0"
device="nvidia0"
指标维度 | 指标名 | 指标类型 | 指标单位 | 指标说明 |
指标维度 | 指标名 | 指标类型 | 指标单位 | 指标说明 |
GPU资源指标 | DCGM_FI_DEV_GPU_UTIL | Gauge | % | 表示GPU利用率,即在一个周期时间内(1s或1/6s,根据GPU产品而定),一个或多个核函数处于Active状态的时间。 该指标仅能够展示有核函数在用的GPU资源,但无法展示具体的使用情况。 |
DCGM_FI_DEV_FB_USED | Gauge | MiB | 表示显存(帧缓存)已使用数。 | |
DCGM_FI_DEV_FB_TOTAL | Gauge | MiB | 表示显存(帧缓存)总大小。 | |
DCGM_FI_DEV_ENC_UTIL | Gauge | % | 表示编码器利用率。 | |
DCGM_FI_DEV_DEC_UTIL | Gauge | % | 表示解码器利用率。 | |
DCGM_FI_DEV_MEM_COPY_UTIL | Gauge | % | 表示内存带宽利用率。 以英伟达GPU V100为例,其最大内存带宽为900 GB/sec,如果当前的内存带宽为450 GB/sec,则内存带宽利用率为50%。 | |
剖析(Profiling) | DCGM_FI_PROF_SM_ACTIVE | Gauge | % | 表示在一个时间间隔内,至少一个线程束在一个SM(Streaming Multiprocessor)上处于Active的时间占比。 该值表示所有SM的平均值,且该值对每个块的线程数不敏感。 线程束处于Active是指一个线程束被调度且分配资源后的状态,可能是在Computing、也可能是非Computing状态(例如等待内存请求)。 该值小于0.5表示未高效利用GPU,大于0.8是必要的。 假设一个GPU有N个SM: 一个核函数在整个时间间隔内使用N个线程块运行在所有的SM上,此时该值为1(100%)。 一个核函数在一个时间间隔内运行N/5个线程块,此时该值为0.2。 一个核函数使用N个线程块,在一个时间间隔内,仅运行了1/5个周期的时间,此时该值为0.2。 |
DCGM_FI_PROF_SM_OCCUPANCY | Gauge | % | 表示在一个时间间隔内,驻留在SM上的线程束与该SM最大可驻留线程束的比例。 该值表示一个时间间隔内的所有SM的平均值。 占用率越高不代表GPU使用率越高。只有在GPU内存带宽受限的工作负载(DCGM_FI_PROF_DRAM_ACTIVE)情况下,更高的占用率表示更有效的GPU使用率。 | |
DCGM_FI_PROF_DRAM_ACTIVE | Gauge | % | 表示内存带宽利用率(Memory BW Utilization)是将数据发送到设备内存或从设备内存接收数据的周期分数。 该值表示时间间隔内的平均值,而不是瞬时值。 较高的值表示设备内存的利用率较高。 该值为1(100%)表示在整个时间间隔内的每个周期执行一条 DRAM 指令(实际上,峰值约为 0.8(80%)是可实现的最大值)。 假设该值为0.2(20%),表示20%的周期在时间间隔内读取或写入设备内存。 | |
| Counter | B/s | 表示通过NVLink传输/接收的数据速率,不包括协议标头。 该值表示一个时间间隔内的平均值,而不是瞬时值。 该速率在时间间隔内平均。例如,在1秒内传输1 GB数据,则无论以恒定速率还是突发传输数据,速率都是1 GB/s。理论上,最大NVLink Gen2带宽为每个方向每个链路25 GB/s。 | |
| Counter | B/s | 表示通过PCIe总线传输/接收的数据速率,包括协议标头和数据有效负载。 该值表示一个时间间隔内的平均值,而不是瞬时值。 该速率在时间间隔内平均。例如,在1秒内传输1 GB数据,则无论以恒定速率还是突发传输数据,速率都是1 GB/s。理论上的最大PCIe Gen3带宽为每通道985 MB/s。 | |
DCGM_FI_PROF_PIPE_TENSOR_ACTIVE | Gauge | % | 表示Tensor(HMMA/IMMA)Pipe处于Active状态的周期分数。 该值表示一个时间间隔内的平均值,而不是瞬时值。 较高的值表示Tensor Cores的利用率较高。 该值为1(100%)表示在整个时间间隔内每隔一个指令周期发出一个Tensor指令(两个周期完成一条指令)。 假设该值为0.2(20%),可能有如下情况:
| |
频率(Clock) | DCGM_FI_DEV_SM_CLOCK | Gauge | MHz | 表示SM时钟频率。 |
GPU异常/XID错误 | DCGM_FI_DEV_NVSWITCH_FATAL_ERRORS | Gauge | 错误码 | NVSwitch异常错误信息。 数值为SXid错误码。 |
DCGM_FI_DEV_ROW_REMAP_FAILURE | Gauge | - | 出现行重映射错误异常。 | |
DCGM_FI_DEV_ROW_REMAP_PENDING | Gauge | - | 出现行重映射阻塞异常。 | |
温度&功率(Temperature & Power) | DCGM_FI_DEV_GPU_TEMP | Gauge | ℃ | 表示GPU温度。 |
DCGM_FI_DEV_MEMORY_TEMP | Gauge | ℃ | 表示内存温度。 | |
DCGM_FI_DEV_POWER_USAGE | Gauge | W | 表示功率。 | |
停用的内存页面(Retired Pages) | DCGM_FI_DEV_RETIRED_SBE | Gauge | - | 表示由单比特错误(Single Bit Error)而停用的页面个数。 |
DCGM_FI_DEV_RETIRED_DBE | Gauge | - | 表示由双比特错误(Double Bit Error)而停用的页面个数。 |
RDMA指标
RDMA相关指标可以基于以下资源维度进行筛选:
app="nusa-exporter",
hostname="{{pod_name}}"
ip="172.16.17.114",
namespace="{{pod_namespace}}"
node="{{virtual-kubelet-nodename}}"
pod="{{pod_name}}"
指标名 | 指标类型 | 指标单位 | 指标说明 |
指标名 | 指标类型 | 指标单位 | 指标说明 |
| Gauge | bytes | Pod RDMA网络出/入方向流量大小瞬时值。 |
| Counter | bytes | Pod RDMA网络出/入方向流量大小累计值。 |
| Gauge | packets | Pod RDMA网络出/入方向网络流量包数量瞬时值。 |
| Counter | packets | Pod RDMA网络出/入方向网络流量包数量累计值。 |
- 本页导读 (0)
- 指标计费说明
- 指标列表
- DCGM指标
- RDMA指标