NVIDIA Data Center GPU Manager (DCGM)

L'integrazione di NVIDIA Data Center GPU Manager raccoglie le principali GPU avanzate metriche di DCGM, tra cui Utilizzo blocchi multiprocessore (SM) di flussi di dati, occupazione SM, Utilizzo delle pipeline SM, frequenza di traffico PCIe e frequenza di traffico NVLink. Per informazioni sullo scopo e sull'interpretazione di queste metriche, consulta le metriche di profilazione nella panoramica delle funzionalità DCGM.

Per ulteriori informazioni sul gestore GPU NVIDIA Data Center, consulta DCGM documentazione. 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 di GPU NVIDIA P100 e P4.

Prerequisiti

Per raccogliere le metriche DCGM, devi:

Installare DCGM e verificare l'installazione

Devi installare DCGM versione 3.1 e successive e assicurarti che venga eseguito come servizio privilegiato. Per installare DCGM, consulta la sezione Installazione della documentazione di DCGM.

Per verificare che DCGM funzioni correttamente, segui questi passaggi:

  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 viene indicato 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 stati trovati eseguendo il seguente 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 alla configurazione delle operazioni , aggiungere gli elementi richiesti per raccogliere 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 riavvia 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 verifica che l'agente sia stato riavviato. Esegui il seguente comando e verifica che i componenti dei subagenti "Agente di monitoraggio" e "Agente di logging" siano elencati come "attivi (in esecuzione)":

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

Se utilizzi un account di servizio personalizzato anziché quello predefinito di un account di servizio Compute Engine o se disponi molto vecchia di Compute Engine, potresti dover autorizzare Ops Agent.

Configurazione della raccolta di metriche

Per importare le metriche da DCGM, devi creare un ricevitore per le metriche prodotti da DCGM, quindi crea 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 distinguerli.

Per configurare un destinatario 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, formattato come host:port.
type Questo valore deve essere dcgm.

Che cosa viene monitorato

La tabella seguente fornisce l'elenco delle metriche raccolte da Ops Agent del 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
workload.googleapis.com/dcgm.gpu.profiling.dram_utilization †
GAUGE, DOUBLE
gce_instance 		gpu_number
model
uuid
GAUGE, INT64
gce_instance 		direction
gpu_number
model
uuid
workload.googleapis.com/dcgm.gpu.profiling.pcie_traffic_rate †
GAUGE, INT64
gce_instance 		direction
gpu_number
model
uuid
workload.googleapis.com/dcgm.gpu.profiling.pipe_utilization †
GAUGE, DOUBLE
gce_instance 		gpu_number
model
pipe  ‡
uuid
workload.googleapis.com/dcgm.gpu.profiling.sm_occupancy †
GAUGE, DOUBLE
gce_instance 		gpu_number
model
uuid
workload.googleapis.com/dcgm.gpu.profiling.sm_utilization †
GAUGE, DOUBLE
gce_instance 		gpu_number
model
uuid

† Non disponibile sui modelli GPU P100 e P4.

‡ Per L4, il valore pipe fp64 non è supportato.

Inoltre, la configurazione integrata per Ops Agent raccoglie anche agent.googleapis.com/gpu metriche, che sono segnalati dalla NVIDIA Management Library (NVML) Non è necessaria alcuna configurazione aggiuntiva in Ops Agent per raccogliere ma devi creare la VM con GPU e installa la GPU del conducente. Per ulteriori informazioni, consulta Informazioni su gpu metriche.

Verificare la configurazione

In questa sezione viene descritto come verificare la corretta configurazione del Ricevitore NVIDIA DCGM. Potrebbero essere necessari uno o due minuti prima che Ops Agent inizi a raccogliere la telemetria.

Per verificare che le metriche NVIDIA DCGM vengano inviate a Cloud Monitoring:

  1. Nella console Google Cloud, vai alla pagina  Esplora metriche:

    Vai a Esplora metriche

    Se utilizzi la barra di ricerca per trovare questa pagina, seleziona il risultato con il sottotitolo Monitoring.

  2. Nella barra degli strumenti della riquadro Query Builder, seleziona il pulsante con  MQL o  PromQL.
  3. Verifica che sia selezionato MQL con l'opzione Lingua. Il pulsante di attivazione/disattivazione della lingua si trova nella stessa barra degli strumenti. consente di formattare la query.
  4. Inserisci la seguente query nell'editor e poi 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 avere configurato un grafico o una dashboard. L'integrazione di NVIDIA DCGM include una o più dashboard. Qualsiasi dashboard viene installata automaticamente dopo integrazione e Ops Agent ha iniziato a raccogliere dati delle metriche.

Puoi anche visualizzare anteprime statiche delle dashboard senza installando l'integrazione.

Per visualizzare una dashboard installata:

  1. Nella console Google Cloud, vai alla pagina Dashboard :

    Vai a Dashboard

    Se utilizzi la barra di ricerca per trovare questa pagina, seleziona il risultato con il sottotitolo Monitoring.

  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, controlla che l'agente operativo sia in esecuzione. Quando non c'è 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 per te.

Per visualizzare un'anteprima statica della dashboard:

  1. Nella console Google Cloud, vai alla  Integrazioni pagina:

    Vai a Integrazioni

    Se utilizzi la barra di ricerca per trovare questa pagina, seleziona il risultato con il sottotitolo Monitoring.

  2. Fai clic sul filtro della piattaforma di deployment di Compute Engine.
  3. Individua la voce per NVIDIA DCGM e fai clic su Visualizza dettagli.
  4. Seleziona la scheda Dashboard per visualizzare un'anteprima statica. Se sia installata, quindi puoi accedervi facendo clic Visualizza dashboard.

Per ulteriori informazioni sulle dashboard in Cloud Monitoring, consulta Dashboard e grafici.

Per saperne di più sull'utilizzo della pagina Integrazioni, vedi Gestisci 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 la sezione Tasso di campionamento del profilo nella panoramica delle funzionalità di DCGM.

Quando hai bisogno di usare strumenti come Nsight Systems senza subire interruzioni significative, puoi mettere in pausa o riprendere temporaneamente la raccolta delle metriche utilizzando seguenti comandi:

dcgmi profile --pause
dcgmi profile --resume

Quando il profiling è 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, configura un'applicazione di terze parti e installare una dashboard di esempio, consulta Video: installa Ops Agent per risolvere i problemi relativi alle applicazioni di terze parti.