当您的 GPU 实例出现性能波动、驱动异常或疑似硬件故障时，通过云助手插件 ACS-ECS-DcgmDiagnostics，您可以一键执行 NVIDIA DCGM 诊断。该插件会自动下载依赖项并运行全方位的健康检查，帮助您快速定位问题并提升运维效率。
概述
NVIDIA 数据中心 GPU 管理器 (DCGM) 是一套用于管理和监控集群环境中 NVIDIA GPU 的综合工具集。它能够提供主动健康监测、全面诊断及系统警报。
使用云助手插件执行诊断的优势：
零预装成本：即使您的环境未安装 DCGM 服务，插件也会自动下载相关的
dcgm库文件及诊断组件。自动化流程：一键完成环境检测、依赖下载、诊断执行及结果输出。
适用场景
实例交付验收：新购买GPU实例后，检查硬件及驱动是否处于最佳状态。
故障排查：当深度学习任务报错或计算效率大幅下降时，定位是否存在硬件隐患。
性能压测前置检查：在进行大规模计算任务前，确保 GPU 功耗、散热及显存正常。
前提条件
在执行诊断操作前，请确保满足以下条件：
实例规格：目标实例必须为GPU云服务器。
云助手状态：实例已安装云助手插件。
执行诊断操作
执行诊断命令：
使用
acs-plugin-manager执行诊断插件，请根据需求替换{Level}参数。acs-plugin-manager --exec --plugin ACS-ECS-DcgmDiagnostics -p "--diag-level {Level}"诊断级别
{Level}参数说明：您可以根据需要选择以下三种诊断级别：
参数级别
描述
建议场景
short
对系统进行基本的快速健康检查。
日常快速巡检，耗时最短。
medium
运行中等长度的诊断程序，涵盖更多压力测试。
发现疑似性能问题时的初步排查。
long
进行非常全面的深度诊断及长时间压力测试。
严重故障排查或交付前的硬件验收。
诊断级别越高，执行时间越长（long级别的诊断可能持续数分钟），执行期间可能会占用较高的 GPU 资源。更多信息，请参见 DCGM Diagnostics。
结果示例
执行完成后，终端将输出如下格式的诊断报告。以下是在 ecs.gn7i-c8g1.2xlarge 实例上执行 long 级别诊断的示例输出：
+-------------------------+------------------------------------+
| Diagnostic | Result |
+=========================+====================================+
| Metadata | |
+-------------------------+------------------------------------+
| DCGM Version | 4.5.2 |
+-------------------------+------------------------------------+
| Driver Version Detected | 580.126.09 |
+-------------------------+------------------------------------+
| software | Pass |
| | |
| | GPU0 0000:00:03.0 NVIDIA A10: Pass |
+-------------------------+------------------------------------+
| memory | Pass |
| | |
| | GPU0 0000:00:03.0 NVIDIA A10: Pass |
+-------------------------+------------------------------------+
| diagnostic | Pass |
| | |
| | GPU0 0000:00:03.0 NVIDIA A10: Pass |
+-------------------------+------------------------------------+
| nvbandwidth | Skip |
| | |
| | GPU0 0000:00:03.0 NVIDIA A10: Skip |
+-------------------------+------------------------------------+
| pcie | Pass |
| | |
| | GPU0 0000:00:03.0 NVIDIA A10: Pass |
+-------------------------+------------------------------------+
| memory_bandwidth | Pass |
| | |
| | GPU0 0000:00:03.0 NVIDIA A10: Pass |
+-------------------------+------------------------------------+
| targeted_stress | Pass |
| | |
| | GPU0 0000:00:03.0 NVIDIA A10: Pass |
+-------------------------+------------------------------------+
| targeted_power | Pass |
| | |
| | GPU0 0000:00:03.0 NVIDIA A10: Pass |
+-------------------------+------------------------------------+常见问题
如何自动化批量诊断实例？
可通过云助手公共命令
ACS-ECS-DCGMDiagnostic-for-linux.sh在多个实例上批量执行DCGM诊断。所有GPU规格都支持 DCGM 诊断吗？
在 Tesla GPU 规格上支持所有DCGM诊断Level, 其他GPU卡仅支持 Level 1 (short) 诊断。详情请参见NVIDIA DCGM Feature Overview。