Alauda GPU Management
  • 简体中文

    • DCGM-Exporter

    Alauda Build of DCGM-Exporter 是 NVIDIA GPU 指标组件。它会暴露 GPU 遥测数据（利用率、内存、温度、功耗和健康状态），以便 ACP 监控和仪表盘进行采集。在统一交付模型中，它是由 Alauda GPU Management 管理的操作对象之一，同时也会被监控 NVIDIA GPU 后端的 HAMi 部署按名称引用。

    目录

    通过 Alauda GPU Management 启用（推荐）作为独立集群插件安装验证卸载

    通过 Alauda GPU Management 启用（推荐）

    DCGM-Exporter 在 ClusterPolicy 实例中默认启用。当 Alauda GPU Management 管理 GPU 栈时，无需单独安装。

    在 GPU 节点上确认其正在运行：

    kubectl get pods -l app=nvidia-dcgm-exporter -A

    如果它在你的 ClusterPolicy 中被禁用，请启用 DCGM-Exporter 组件并对该实例执行协调。

    作为独立集群插件安装

    当 GPU 指标需要在 HAMi 后端暴露的节点上使用，或者 Alauda GPU Management 不是这些节点的指标所有者时，请单独安装 DCGM-Exporter。

    1. 转到 Administrator > Marketplace > Cluster Plugin，切换到目标集群，并部署 Alauda Build of DCGM-Exporter 集群插件。
    2. 设置节点标签，使 exporter 调度到目标 GPU 节点上。

    验证

    确认 exporter Pods 已就绪且指标已暴露：

    kubectl get pods -l app=nvidia-dcgm-exporter -A

    然后继续查看 GPU 仪表盘。在 exporter 运行一段时间后，打开 Administrator > Operations Center > Monitor > Dashboards，并切换到 GPU 节点和 Pod 面板以查看指标。

    有关监控作为使用场景——为 GPU 工作负载启用指标并交由 ACP 仪表盘处理——请参见 启用 GPU 指标。

    卸载

    如需移除 DCGM-Exporter，请参见 卸载 Alauda Build of DCGM-Exporter。