L'integrazione di NVIDIA Data Center GPU Manager raccoglie le principali metriche avanzate delle GPU da DCGM, tra cui l'utilizzo dei blocchi di Streaming Multiprocessor (SM), l'occupazione SM, l'utilizzo delle pipeline SM, la frequenza di traffico PCIe e la frequenza di traffico di NVLink. Per informazioni sullo scopo e sull'interpretazione di queste metriche, consulta Metriche di profilazione nella panoramica delle funzionalità DCGM.
Per ulteriori informazioni su NVIDIA Data Center GPU Manager, consulta la documentazione di DCGM. Questa integrazione è compatibile con DCGM versione 3.1 e successive.
Ops Agent raccoglie le metriche DCGM utilizzando la libreria client di NVIDIA
go-dcgm
.
Queste metriche sono disponibili solo per i sistemi Linux. Le metriche non vengono raccolte dai modelli GPU NVIDIA P100 e P4.
Prerequisiti
Per raccogliere le metriche DCGM, devi:
Installa Ops Agent. Solo Ops Agent versione 2.38.0 o versione 2.41.0 o successiva è compatibile con il monitoraggio della GPU. Non installare le versioni 2.39.0 e 2.40.0 di Ops Agent su VM con GPU collegate. Per maggiori informazioni, vedi L'agente si arresta in modo anomalo e il report menziona NVIDIA.
Installare DCGM e verificare l'installazione
Devi installare un DCGM versione 3.1 e successive e assicurarti che venga eseguito come servizio con privilegi. Per installare DCGM, consulta Installazione nella documentazione di DCGM.
Per verificare che DCGM funzioni correttamente, segui questi passaggi:
Controlla lo stato del servizio DCGM eseguendo questo comando:
sudo service nvidia-dcgm status
Se il servizio è in esecuzione, il servizio
nvidia-dcgm
è elencato comeactive (running)
. L'output è simile al seguente:● nvidia-dcgm.service - NVIDIA DCGM service Loaded: loaded (/usr/lib/systemd/system/nvidia-dcgm.service; disabled; vendor preset: enabled) Active: active (running) since Sat 2023-01-07 15:24:29 UTC; 3s ago Main PID: 24388 (nv-hostengine) Tasks: 7 (limit: 14745) CGroup: /system.slice/nvidia-dcgm.service └─24388 /usr/bin/nv-hostengine -n --service-account nvidia-dcgm
Verifica che i dispositivi GPU vengano trovati eseguendo questo comando:
dcgmi discovery --list
Se vengono rilevati dispositivi, l'output è simile al seguente:
1 GPU found. +--------+----------------------------------------------------------------------+ | GPU ID | Device Information | +--------+----------------------------------------------------------------------+ | 0 | Name: NVIDIA A100-SXM4-40GB | | | PCI Bus ID: 00000000:00:04.0 | | | Device UUID: GPU-a2d9f5c7-87d3-7d57-3277-e091ad1ba957 | +--------+----------------------------------------------------------------------+
Configura Ops Agent per DCGM
Seguendo la guida per la configurazione di Ops Agent, aggiungi gli elementi richiesti per raccogliere i dati di telemetria dal servizio DCGM e riavvia l'agente.
Configurazione di esempio
I comandi seguenti creano la configurazione per raccogliere e importare dati di telemetria per DCGM e riavviare Ops Agent:
# Configures Ops Agent to collect telemetry from the app and restart Ops Agent. set -e # Create a back up of the existing file so existing configurations are not lost. sudo cp /etc/google-cloud-ops-agent/config.yaml /etc/google-cloud-ops-agent/config.yaml.bak # Configure the Ops Agent. sudo tee /etc/google-cloud-ops-agent/config.yaml > /dev/null << EOF metrics: receivers: dcgm: type: dcgm service: pipelines: dcgm: receivers: - dcgm EOF sudo systemctl restart google-cloud-ops-agent
Dopo aver eseguito questi comandi, puoi verificare che l'agente sia stato riavviato. Esegui questo comando e verifica che i componenti del sub-agente "Metrics Agent" e "Logging Agent" siano elencati come "active (in esecuzione)":
sudo systemctl status google-cloud-ops-agent"*"
Se utilizzi un account di servizio personalizzato anziché l'account di servizio predefinito di Compute Engine o se hai una VM di Compute Engine molto precedente, potresti dover autorizzare Ops Agent.
Configurazione della raccolta di metriche
Per importare le metriche da DCGM, devi creare un ricevitore per le metriche prodotte da DCGM e quindi creare una pipeline per il nuovo ricevitore.
Questo ricevitore non supporta l'utilizzo di più istanze nella configurazione, ad esempio per monitorare più endpoint. Tutte queste istanze scrivono nella stessa serie temporale e Cloud Monitoring non ha modo di distinguerle.
Per configurare un ricevitore per le metriche dcgm
, specifica i seguenti campi:
Campo | Predefinita | Descrizione |
---|---|---|
collection_interval |
60s |
Una durata di tempo, ad esempio 30s o 5m . |
endpoint |
localhost:5555 |
Indirizzo del servizio DCGM, formattato come host:port . |
type |
Questo valore deve essere dcgm . |
Che cosa viene monitorato
La tabella seguente fornisce l'elenco delle metriche che Ops Agent raccoglie dal servizio DCGM. Non tutte le metriche sono disponibili per tutti i modelli di GPU. Le metriche non vengono raccolte dai modelli GPU NVIDIA P100 e P4.
Tipo di metrica | ||
---|---|---|
Tipo, tipo Risorse monitorate |
Etichette |
Modelli di GPU supportati |
workload.googleapis.com/dcgm.gpu.profiling.dram_utilization
|
||
GAUGE , DOUBLE gce_instance |
gpu_number model uuid
|
Tutti tranne P100 e P4 |
workload.googleapis.com/dcgm.gpu.profiling.nvlink_traffic_rate
|
||
GAUGE , INT64 gce_instance |
direction gpu_number model uuid
|
Tutti tranne P100 e P4 |
workload.googleapis.com/dcgm.gpu.profiling.pcie_traffic_rate
|
||
GAUGE , INT64 gce_instance |
direction gpu_number model uuid
|
Tutti tranne P100 e P4 |
workload.googleapis.com/dcgm.gpu.profiling.pipe_utilization
|
||
GAUGE , DOUBLE gce_instance |
gpu_number model pipe uuid
|
Tutti tranne P100 e P4. Per L4, il valore pipe fp64
non è supportato.
|
workload.googleapis.com/dcgm.gpu.profiling.sm_occupancy
|
||
GAUGE , DOUBLE gce_instance |
gpu_number model uuid
|
Tutti tranne P100 e P4 |
workload.googleapis.com/dcgm.gpu.profiling.sm_utilization
|
||
GAUGE , DOUBLE gce_instance |
gpu_number model uuid
|
Tutti tranne P100 e P4 |
Inoltre, la configurazione integrata per Ops Agent raccoglie anche le metriche agent.googleapis.com/gpu
, riportate dalla Management Library (NVML) NVIDIA.
Non è necessaria un'ulteriore configurazione in Ops Agent per raccogliere queste metriche, ma devi
creare la VM con GPU collegate e
installare il driver GPU. Per saperne di più, consulta Informazioni sulle metriche gpu
.
Verificare la configurazione
In questa sezione viene descritto come verificare la corretta configurazione del ricevitore NVIDIA DCGM. Ops Agent potrebbe impiegare uno o due minuti per iniziare a raccogliere dati di telemetria.
Per verificare che le metriche NVIDIA DCGM vengano inviate a Cloud Monitoring, segui questi passaggi:
-
Nella console Google Cloud, vai alla pagina leaderboard Esplora metriche:
Se utilizzi la barra di ricerca per trovare questa pagina, seleziona il risultato con il sottotitolo Monitoring.
- Nella barra degli strumenti del riquadro di creazione di query, seleziona il pulsante con il nome code MQL o code PromQL.
- Verifica che sia selezionato MQL nell'opzione di attivazione/disattivazione Lingua. L'opzione di attivazione/disattivazione della lingua si trova nella stessa barra degli strumenti che ti consente di formattare la query.
- Inserisci la seguente query nell'editor, quindi fai clic su Esegui query:
fetch gce_instance | metric 'workload.googleapis.com/dcgm.gpu.profiling.sm_utilization' | every 1m
Visualizza dashboard
Per visualizzare le metriche NVIDIA DCGM, devi aver configurato un grafico o una dashboard. L'integrazione NVIDIA DCGM include una o più dashboard per te. Qualsiasi dashboard viene installata automaticamente dopo che hai configurato l'integrazione e Ops Agent ha iniziato a raccogliere i dati delle metriche.
Puoi anche visualizzare anteprime statiche delle dashboard senza installare l'integrazione.
Per visualizzare una dashboard installata:
-
Nella console Google Cloud, vai alla pagina Dashboard
:
Se utilizzi la barra di ricerca per trovare questa pagina, seleziona il risultato con il sottotitolo Monitoring.
- Seleziona la scheda Elenco dashboard, quindi scegli la categoria Integrazioni.
- Fai clic sul nome della dashboard che vuoi visualizzare.
Se hai configurato un'integrazione, ma la dashboard non è stata installata, verifica che Ops Agent sia in esecuzione. Se non sono presenti dati delle metriche per un grafico nella dashboard, l'installazione della dashboard non riesce. Dopo che Ops Agent inizia a raccogliere le metriche, la dashboard viene installata automaticamente.
Per visualizzare un'anteprima statica della dashboard:
-
Nella console Google Cloud, vai alla pagina
Integrazioni:
Se utilizzi la barra di ricerca per trovare questa pagina, seleziona il risultato con il sottotitolo Monitoring.
- Fai clic sul filtro della piattaforma di deployment di Compute Engine.
- Individua la voce NVIDIA DCGM e fai clic su Visualizza dettagli.
- Seleziona la scheda Dashboard per visualizzare un'anteprima statica. Se la dashboard è installata, puoi accedervi facendo clic su Visualizza dashboard.
Per ulteriori informazioni sulle dashboard in Cloud Monitoring, consulta Dashboard e grafici.
Per saperne di più sull'utilizzo della pagina Integrazioni, vedi Gestire le integrazioni.
Limitazioni del DCGM e messa in pausa della profilazione
L'utilizzo simultaneo di DCGM può essere in conflitto con l'utilizzo di altri strumenti per sviluppatori NVIDIA, come Nsight Systems o Nsight Compute. Questo limite si applica a NVIDIA A100 e alle GPU precedenti. Per ulteriori informazioni, consulta Profiling Sampling Rate nell'overiew delle funzionalità DCGM.
Quando devi utilizzare strumenti come Nsight Systems senza subire interruzioni significative, puoi mettere in pausa o riprendere temporaneamente la raccolta delle metriche con i seguenti comandi:
dcgmi profile --pause dcgmi profile --resume
Quando la profilazione viene messa in pausa, nessuna delle metriche DCGM raccolte da Ops Agent viene emessa dalla VM.
Passaggi successivi
Per una procedura dettagliata su come utilizzare Ansible per installare Ops Agent, configurare un'applicazione di terze parti e installare una dashboard di esempio, guarda il video Installare Ops Agent per risolvere i problemi delle applicazioni di terze parti.