金山云-文档中心-pod级别GPU监控

托管Prometheus

查看更多结果

未找到含当前关键字的文档标题

页面目录

全部展开全部收起

未找到含该关键词的产品

文档中心

托管Prometheus

托管Prometheus服务实践

pod级别GPU监控

最近更新时间：2025-07-28 11:40:15



金山云托管Prometheus服务提供基于msp-dcgm-exporter来监控容器化GPU运行状态，并提供了开箱即用的Grafana监控大盘。本文将介绍如何开启GPU监控，以便了解GPU服务运行状态，及时排查GPU资源故障。

前提条件

Prometheus实例已成功关联待监控的KCE集群，且集群中存在GPU节点。

操作步骤

开启监控

登录容器服务控制台。
在左侧导航栏中，选择运维管理->Prometheus监控，进入Prometheus监控实例页面。
选择需要查看的实例，点击左侧的实例ID，进入基本信息页面。
在左侧导航栏中选择集群监控，进入集群监控页面。
选择需要查看的集群，点击右侧操作栏的数据采集配置，进入数据采集配置页面。
点击扩展监控页签，默认情况下msp-dcgm-exporter组件采集配置为关闭状态。开启采集状态，组件将自动安装至用户集群。

查看监控

登录进入Grafana界面，分别从Node维度和Pod维度提供了Dcgm Exporter的预置大盘。
单击 Dcgm Exporter / Nodes，通过筛选指定的 cluster、node，可从节点维度查看GPU节点状态，例如节点状态概览、GPU卡信息、内存使用率、温度与能耗信息等。
单击 Dcgm Exporter / Namespace (pods），通过筛选指定的cluster、namespace、pod、GPU，可从Pod维度查看GPU节点状态，例如该pod所在GPU节点的卡利用率、内存利用率等。

对于存量msp实例，原有Grafana中缺少Dcgm Exporter预置大盘。用户可以手动关闭Grafana后再次重新开启，方可正常查看Dcgm Exporter预置大盘。

面板说明

下面将详细介绍监控大盘中各个监控面板（Panel）的含义。

节点维度监控大盘

Panel组	Panel名称	说明
Overview	Allocated GPUs	表示节点已分配GPU个数和总的GPU个数。
	GPU Utilization	表示节点上的GPU的平均利用率，即节点上所有卡的GPU利用率算平均值。
	Used GPU Memory	表示节点当前使用的GPU显存值与总的显存值的百分比。
	The Last One XID Error	表示节点GPU卡最近出现的XID错误。
Utilization	GPU Utilization	表示节点GPU卡利用率。
	Memory Copy Utilization	表示节点GPU卡内存复制利用率。
	Encoder Engine Utilization	表示节点GPU卡编码器利用率。
	Decoder Engine Utilization	表示节点GPU卡解码器利用率。
Memory and BAR1	GPU Memory Details	表示节点GPU内存信息：
		node：node的IP信息
		UUID：GPU卡的UUID。
		GPU Index：GPU卡索引号。
		Used：该卡当前使用的显存。
	BAR1 Used	表示已使用BAR1。
	Memory Used	表示节点上GPU卡已使用的显存大小。
	BAR1 Total	表示总BAR1。
Profiling	SM Occupancy	表示SM占用率。
	SM Active	表示SM处于Active的比例。
	Tensor Core Engine Active	表示在一个监控周期内，Tensor Core管道（Pipe）处于Active时间占总时间的比例。
	FP32 Engine Active	表示在一个监控周期内，FP32管道处于Active的时间占总的时间的比例。
	FP16 Engine Active	表示在一个监控周期内，FP16管道处于Active的时间占总的时间的比例。
	FP64 Engine Active	表示在一个监控周期内，FP64管道处于Active的时间占总的时间的比例。
	Graphics Engine Active	表示在一个监控周期内，Graphics或Compute引擎处于Active的时间占总的时间的比例。
	DRAM Active	表示内存带宽利用率（Memory BW Utilization）。
	PCIE TX BYTES（Device to Host）	表示节点GPU卡通过PCIe总线传输的数据速率。
	PCIE RX BYTES（Host to Device）	表示节点GPU卡通过PCIe总线接收的数据速率。
	NVLINK TX/RX BYTES	表示通过NVLink传输或接收的数据速率。
Temperature and Energy	Power Usage	表示节点GPU卡的功率。
	Total Energy Consumption	表示GPU卡从驱动加载开始，总共消耗的能量。单位为焦耳。
	Memory Temperature	表示节点GPU内存温度。
	GPU Temperature	表示节点GPU温度（计算单元）。
Clock	SM CLOCK	表示SM时钟频率。
	Memory Clock	表示内存频率。
	APP SM Clock	表示SM应用的时钟频率。
	APP Memory Clock	表示应用的内存频率。
	Video Clock	表示Video引擎频率。
	Clock Throttle Reasons	表示降频原因。
Retired Pages	Retired Pages（Single-bit Errors）	表示因单比特错误引发的停用的内存页面数。
Retired Pages	Retired Pages（Double-bit Error）	表示因双比特错误引发的停用的内存页面数。
Violation	POWER VIOLATION	表示因功率上限导致的违规。该值为违规的时间，单位为微秒。
	THERMAL VIOLATION	表示因热限制导致的违规。该值为违规的时间，单位为微秒。
	BOARD RELIABILITY VIOLATION	表示因电路板可靠性限制导致的违规。该值为违规的时间，单位为微秒。
	LOW UTIL VIOLATION	表示因低利用率限制导致的违规。该值为违规的时间，单位为微秒。
	SYNC BOOST VIOLATION	表示因同步提升限制导致的违规。该值为违规的时间，单位为微秒。
	BOARD LIMIT VIOLATION	表示因电路板限制导致的违规。该值为违规的时间，单位为微秒。

Pod维度监控大盘

Panel组	Panel名称	说明
Utilization	GPU Utilization	表示pod调度所在的GPU卡利用率。
	Memory Copy Utilization	表示pod调度所在的GPU卡内存复制利用率。
	Encoder Engine Utilization	表示pod调度所在的GPU卡编码器利用率。
	Decoder Engine Utilization	表示pod调度所在的GPU卡解码器利用率。
Memory and BAR1	BAR1 Used	表示已使用BAR1。
	Memory Used	表示节点上GPU卡已使用的显存大小。
	BAR1 Total	表示总BAR1。
	GPU Memory Used Percentage	表示内存利用率
Profiling	SM Occupancy	表示SM占用率。
	SM Active	表示SM处于Active的比例。
	Tensor Core Engine Active	表示在一个监控周期内，Tensor Core管道（Pipe）处于Active时间占总时间的比例。
	FP32 Engine Active	表示在一个监控周期内，FP32管道处于Active的时间占总的时间的比例。
	FP16 Engine Active	表示在一个监控周期内，FP16管道处于Active的时间占总的时间的比例。
	FP64 Engine Active	表示在一个监控周期内，FP64管道处于Active的时间占总的时间的比例。
	Graphics Engine Active	表示在一个监控周期内，Graphics或Compute引擎处于Active的时间占总的时间的比例。
	DRAM Active	表示内存带宽利用率（Memory BW Utilization）。
	PCIE TX BYTES（Device to Host）	表示节点GPU卡通过PCIe总线传输的数据速率。
	PCIE RX BYTES（Host to Device）	表示节点GPU卡通过PCIe总线接收的数据速率。
	NVLINK TX/RX BYTES	表示通过NVLink传输或接收的数据速率。
Temperature and Energy	Power Usage	表示节点GPU卡的功率。
	Total Energy Consumption	表示GPU卡从驱动加载开始，总共消耗的能量。单位为焦耳。
	Memory Temperature	表示节点GPU内存温度。
	GPU Temperature	表示节点GPU温度（计算单元）。
Clock	SM CLOCK	表示SM时钟频率。
	Memory Clock	表示内存频率。
	APP SM Clock	表示SM应用的时钟频率。
	APP Memory Clock	表示应用的内存频率。
	Video Clock	表示Video引擎频率。
	Clock Throttle Reasons	表示降频原因。

指标说明

下面将详细介绍 msp-dcgm-exporter支持的各指标含义。

利用率（Utilization）

指标名称	指标类型	单位	说明
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_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%。
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。

内存（Memory）

指标名称

指标类型

单位

说明

DCGM_FI_DEV_FB_FREE

Gauge

MiB

表示帧缓存（Framebuffer Memory）剩余数。

帧缓存一般也被称为显存。

DCGM_FI_DEV_FB_USED

Gauge

MiB

表示帧缓存已使用数。

该值与nvidia-smi命令中Memory-Usage的已使用值对应。

剖析（Profiling）

指标名称	指标类型	单位	说明
DCGM_FI_PROF_GR_ENGINE_ACTIVE	Gauge	%	表示在一个时间间隔内，Graphics或Compute引擎处于Active的时间占比。
			该值表示所有Graphics和Compute引擎的平均值。
			Graphics或Compute引擎处于Active是指Graphics或Compute Context绑定到线程，并且Graphics或Compute Context处于Busy状态。
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_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：在整个时间间隔内，有20%的SM的Tensor Core以100%的利用率运行。在整个时间间隔内，有100%的SM的Tensor Core以20%的利用率运行。在整个时间间隔的1/5时间内，有100%的SM上的Tensor Core以100%利用率运行。




DCGM_FI_PROF_PIPE_FP64_ACTIVE	Gauge	%	表示FP64（双精度）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。
			较高的值代表FP64 Cores有较高的利用率。
			该值为 1（100%）表示在整个时间间隔内上每四个周期（以Volta类型卡为例）执行一次FP64指令。
			假设该值为0.2（20%），可能有如下情况：在整个时间间隔内，有20%的SM的FP64 Core以100%的利用率运行。在整个时间间隔内，有100%的SM的FP64 Core以20%的利用率运行。在整个时间间隔的1/5时间内，有100%的SM上的FP64 Core以100%利用率运行。




DCGM_FI_PROF_PIPE_FP32_ACTIVE	Gauge	%	表示乘加操作FMA（Fused Multiply-Add）管道处于Active的周期分数，乘加操作包括FP32（单精度）和整数。
			该值表示一个时间间隔内的平均值，而不是瞬时值。
			较高的值代表FP32 Cores有较高的利用率。
			该值为1（100%）表示在整个时间间隔内上每两个周期（Volta类型卡为例）执行一次FP32指令。
			假设该值为0.2（20%），可能有如下情况：在整个时间间隔内，有20%的SM的FP32 Core以100%的利用率运行。在整个时间间隔内，有100%的SM的FP32 Core以20%的利用率运行。在整个时间间隔的1/5时间内，有100%的SM上的FP32 Core以100%利用率运行。




DCGM_FI_PROF_PIPE_FP16_ACTIVE	Gauge	%	表示FP16（半精度）管道处于Active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。
			较高的值代表FP16 Cores有较高的利用率。
			该值为 1 (100%) 表示在整个时间间隔内上每两个周期（Volta类型卡为例）执行一次FP16指令。
			假设该值为0.2（20%），可能有如下情况：在整个时间间隔内，有20%的SM的FP16 Core以100%的利用率运行。在整个时间间隔内，有100%的SM的FP16 Core以20%的利用率运行。在整个时间间隔的1/5时间内，有100%的SM上的FP16 Core以100%利用率运行。




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。
DCGM_FI_PROF_PCIE_TX_BYTES	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。
DCGM_FI_PROF_PCIE_RX_BYTES			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_NVLINK_RX_BYTES	Counter	B/s	表示通过NVLink传输/接收的数据速率，不包括协议标头。
DCGM_FI_PROF_NVLINK_TX_BYTES			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。
DCGM_FI_DEV_PCIE_REPLAY_COUNTER	counter	次	GPU PCIe 总线的重试次数。
DCGM_FI_DEV_NVLINK_BANDWIDTH_TOTAL	counter	-	GPU 所有通道的 NVLink 带宽计数器总数。

频率（Clock）

指标名称	指标类型	单位	说明
DCGM_FI_DEV_SM_CLOCK	Gauge	MHz	表示SM时钟频率。
DCGM_FI_DEV_MEM_CLOCK	Gauge	MHz	表示内存时钟频率。
DCGM_FI_DEV_APP_SM_CLOCK	Gauge	MHz	表示SM应用时钟频率。
DCGM_FI_DEV_APP_MEM_CLOCK	Gauge	MHz	表示内存应用时钟频率。
DCGM_FI_DEV_CLOCK_THROTTLE_REASONS	Gauge	MHz	表示时钟频率降低的原因。
DCGM_FI_DEV_VIDEO_CLOCK	Gauge	MHz	GPU 视频编解码时钟频率

XID错误&违规行为（XidError & Violations）

指标名称	指标类型	单位	说明
DCGM_FI_DEV_XID_ERRORS	Gauge	-	表示一段时间内，最后发生的XID错误号。
DCGM_FI_DEV_POWER_VIOLATION	Counter	μs（微秒）	表示因功率上限而导致的违规，该值为违规的时间。
DCGM_FI_DEV_THERMAL_VIOLATION	Counter	μs（微秒）	表示由于热限制导致的违规，该值为违规的时间。
DCGM_FI_DEV_SYNC_BOOST_VIOLATION	Counter	μs（微秒）	表示由于同步提升限制而导致的违规，该值为违规的时间。
DCGM_FI_DEV_BOARD_LIMIT_VIOLATION	Counter	μs（微秒）	表示由于电路板限制而导致的违规，该值为违规的时间。
DCGM_FI_DEV_LOW_UTIL_VIOLATION	Counter	μs（微秒）	表示低利用率限制导致的违规，该值为违规的时间。
DCGM_FI_DEV_RELIABILITY_VIOLATION	Counter	μs（微秒）	表示电路板可靠性限制导致违规，该值为违规的时间。

BAR1

指标名称	指标类型	单位	说明
DCGM_FI_DEV_BAR1_USED	Gauge	MB	表示已使用的BAR1。
DCGM_FI_DEV_BAR1_FREE	Gauge	MB	表示剩余的BAR1。
DCGM_FI_DEV_BAR1_TOTAL	Gauge	MB	表示总 BARI 容量

温度&功率（Temperature & Power）

指标名称	指标类型	单位	说明
DCGM_FI_DEV_MEMORY_TEMP	Gauge	C	表示内存温度。
DCGM_FI_DEV_GPU_TEMP	Gauge	C	表示GPU温度。
DCGM_FI_DEV_POWER_USAGE	Gauge	W	表示功率。
DCGM_FI_DEV_TOTAL_ENERGY_CONSUMPTION	Counter	J	表示从驱动加载开始，已消耗的能量。

停用的内存页面（Retired Pages）

指标名称	指标类型	单位	说明
DCGM_FI_DEV_RETIRED_SBE	Gauge	-	表示由单比特错误（Single Bit Error）而停用的页面。
DCGM_FI_DEV_RETIRED_DBE	Gauge	-	表示由双比特错误（Double Bit Error）而停用的页面。

其他（Others）

指标名称	指标类型	单位	说明
DCGM_FI_DEV_UNCORRECTABLE_REMAPPED_ROWS	Counter	-	因无法纠正的错误而重新映射的行数。
DCGM_FI_DEV_CORRECTABLE_REMAPPED_ROWS	Counter	-	因可纠正的错误而重新映射的行数。
DCGM_FI_DEV_ROW_REMAP_FAILURE	Gauge	-	重新映射行是否失败。
DCGM_FI_DEV_VGPU_LICENSE_STATUS	Gauge	-	vGPU 许可证状态
DCGM_FI_DEV_COUNT	Counter	张	节点上的 GPU 设备数量

注意事项

监控服务默认GPU上报资源名称为nvidia.com/gpu，若有自定义修改GPU资源上报名称的需求，则需手动配置msp-dcgm-exporter.env，添加nvidia-resource-names指明自定义gpu资源名称，方可成功采集到pod级别指标。

文档导读

上一篇：托管Prometheus实例接入自建Grafana

纯净模式常规模式

纯净模式

点击可全屏预览文档内容

计算

消息队列

开发者工具

合作与生态

合规性

网络

云安全

其它

数据库

大数据

应用服务

用户中心

存储与云分发

视频云服务

云监控

办公云

人工智能

管理与审计

pod级别GPU监控

前提条件

操作步骤

开启监控

查看监控

面板说明

节点维度监控大盘

Pod维度监控大盘

指标说明

利用率（Utilization）

内存（Memory）

剖析（Profiling）

频率（Clock）

XID错误&违规行为（XidError & Violations）

BAR1

温度&功率（Temperature & Power）

停用的内存页面（Retired Pages）

其他（Others）

注意事项