NVIDIA DCGM 架构

NVIDIA 数据中心 GPU 管理器 (DCGM, Data Center GPU Manager) 是一套用于在集群环境中管理和监控 NVIDIA 数据中心 GPU 的工具:

  • 主动健康监控(active health monitoring)

  • 综合诊断(comprehensive diagnostics)

  • 系统报警(system alerts)

  • 治理策略(governance policies): 电源和始终管理

NVIDIA DCGM 可以独立使用，也可以集成到集群管理工具、资源调度和监控产品中。DCGM 简化了数据中心的 GPU 管理，提高了资源可靠性和正常运行时间，自动执行管理任务，并有助于提高整体基础设施效率。

支持以下架构的Linux操作系统:

  • x86_64

  • Arm

  • POWER(ppc64le)

安装软件包包括:

  • 库

  • 二进制执行程序

  • NVIDIA 验证套件 (NVVS, NVIDIA Validation Suite)

  • 使用 API（C、Python 和 Go）的源代码示例

DCGM 通过 DCGM-Exporter 集成到 Kubernetes Atlas 生态系统中，以在容器化环境中提供丰富的 GPU 可观测性。

../../../../_images/nvida_dcgm.png

参考