NVIDIA Data Center GPU Manager (DCGM)

L'integrazione di NVIDIA Data Center GPU Manager raccoglie le principali metriche GPU avanzate da DCGM, tra cui l'utilizzo dei blocchi di flussi di multiprocessore (SM), il numero di persone in SM, l'utilizzo delle tubature SM, la percentuale di traffico PCIe e quella di traffico NVLink. Per informazioni sullo scopo e sull'interpretazione di queste metriche, consulta Metriche di profilazione nella panoramica della 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 NVIDIA go-dcgm.

Queste metriche sono disponibili solo per i sistemi Linux. Le metriche non vengono raccolte dai modelli GPU NVIDIA K80, P100 e P4.

Prerequisiti

Per raccogliere le metriche DCGM:

Installa DCGM e verifica l'installazione

Devi installare un DCGM 3.1 e versioni 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:

  1. 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 come active (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

  2. Verifica che i dispositivi GPU siano 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                |
+--------+----------------------------------------------------------------------+

Configurazione di Ops Agent per DCGM

Segui la guida per la configurazione di Ops Agent, aggiungi gli elementi richiesti per raccogliere la telemetria dal servizio DCGM e riavvia l'agente.

Configurazione di esempio

I seguenti comandi creano la configurazione per raccogliere e importare la 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 dell'agente secondario "Metrics Agent" e "Logging Agent" siano elencati come "attivi (in esecuzione)":

sudo systemctl status google-cloud-ops-agent"*"

Se utilizzi un account di servizio personalizzato anziché l'account di servizio Compute Engine predefinito o se hai una VM di Compute Engine obsoleta, potresti dover autorizzare Ops Agent.

Configurazione della raccolta di metriche

Per importare le metriche da DCGM, devi creare un ricevitore per le metriche generate da DCGM, quindi creare una pipeline per il nuovo ricevitore.

Questo destinatario 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 Predefinito Descrizione
collection_interval 60s Una durata di tempo, ad esempio 30s o 5m.
endpoint localhost:5555 Indirizzo del servizio DCGM, con formato host:port.
type Questo valore deve essere dcgm.

Che cosa viene monitorato

La tabella seguente fornisce l'elenco di metriche raccolte da Ops Agent dal servizio DCGM. Non tutte le metriche sono disponibili per tutti i modelli di GPU. Le metriche non vengono raccolte dai modelli GPU NVIDIA K80, P100 e P4.

Tipo di metrica
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 K80, P100 e P4
GAUGE, INT64
gce_instance 		direction
gpu_number
model
uuid 		Tutti tranne K80, P100 e P4
workload.googleapis.com/dcgm.gpu.profiling.pcie_traffic_rate
GAUGE, INT64
gce_instance 		direction
gpu_number
model
uuid 		Tutti tranne K80, P100 e P4
workload.googleapis.com/dcgm.gpu.profiling.pipe_utilization
GAUGE, DOUBLE
gce_instance 		gpu_number
model
pipe
uuid 		Tutti tranne K80, P100 e P4. Per L4, il valore fp64 di pipe non è supportato.
workload.googleapis.com/dcgm.gpu.profiling.sm_occupancy
GAUGE, DOUBLE
gce_instance 		gpu_number
model
uuid 		Tutti tranne K80, P100 e P4
workload.googleapis.com/dcgm.gpu.profiling.sm_utilization
GAUGE, DOUBLE
gce_instance 		gpu_number
model
uuid 		Tutti tranne K80, P100 e P4

Inoltre, la configurazione integrata per Ops Agent raccoglie anche le metriche agent.googleapis.com/gpu, riportate da NVIDIA Management Library (NVML). Non è necessaria alcuna configurazione aggiuntiva in Ops Agent per raccogliere queste metriche, ma devi creare la tua VM con GPU collegate e installare il driver GPU. Per maggiori informazioni, consulta Informazioni sulle metriche gpu.

Verificare la configurazione

Questa sezione descrive come verificare di aver configurato correttamente il ricevitore NVIDIA DCGM. Potrebbero essere necessari uno o due minuti prima che Ops Agent inizi a raccogliere i dati di telemetria.

Per verificare che le metriche NVIDIA DCGM vengano inviate a Cloud Monitoring, segui questi passaggi:

  1. Nel pannello di navigazione della console Google Cloud, seleziona Monitoring e poi  Metrics Explorer:

    Vai a Metrics Explorer

  2. Nella barra degli strumenti del riquadro del generatore di query, seleziona il pulsante il cui nome è  MQL o  PromQL.
  3. Verifica che MQL sia selezionato nel pulsante di attivazione/disattivazione Lingua. Il pulsante di attivazione/disattivazione della lingua si trova nella stessa barra degli strumenti che consente di formattare la query.
  4. Inserisci la seguente query nell'editor e 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. Le dashboard vengono installate automaticamente dopo la configurazione dell'integrazione e dopo che 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:

  1. Nel pannello di navigazione della console Google Cloud, seleziona Monitoring, quindi seleziona  Dashboard:

    Vai a Dashboard

  2. Seleziona la scheda Elenco dashboard, quindi scegli la categoria Integrazioni.
  3. 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 disponibili dati delle metriche per un grafico nella dashboard, l'installazione della dashboard non riesce. Una volta che Ops Agent inizia a raccogliere le metriche, la dashboard viene installata automaticamente.

Per visualizzare un'anteprima statica della dashboard:

  1. Nel pannello di navigazione della console Google Cloud, seleziona Monitoring e poi  Integrazioni:

    Vai a Integrazioni

  2. Fai clic sul filtro della piattaforma di deployment di Compute Engine.
  3. Individua la voce NVIDIA DCGM e fai clic su Visualizza dettagli.
  4. 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, consulta Gestire le integrazioni.

Limitazioni del DCGM e messa in pausa della profilazione

L'utilizzo simultaneo di DCGM può entrare in conflitto con l'utilizzo di altri strumenti per sviluppatori NVIDIA, come Nsight Systems o Nsight Compute. Questo limite si applica alle GPU NVIDIA A100 e precedenti. Per ulteriori informazioni, consulta Frequenza di campionamento per la profilazione nella supervisione delle funzionalità DCGM.

Quando devi utilizzare strumenti come Nsight Systems senza interruzioni significative, puoi mettere temporaneamente in pausa o riprendere la raccolta delle metriche utilizzando i seguenti comandi:

dcgmi profile --pause
dcgmi profile --resume

Quando la profilazione è in pausa, nessuna delle metriche DCGM raccolte da Ops Agent viene emessa dalla VM.

Passaggi successivi

Per istruzioni dettagliate 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.