NVIDIA DCGM: 一个用于监控和评估NVIDIA GPU健康状态的项目

简介：
NVIDIA DCGM是一款强大的工具，专为监测与评估大规模GPU集群中的NVIDIA图形处理器健康状况而设计。它帮助用户实时跟踪并优化系统性能。 NVIDIA数据中心GPU管理器（DCGM）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。它包括主动健康监测、全面诊断、系统警报以及电源与时钟管理等治理策略。该工具可以独立使用，并且能够轻松集成到NVIDIA合作伙伴的集群管理工具、资源调度和监视产品中，从而简化了数据中心中的GPU管理工作流程，提高了硬件可靠性和正常运行时间，自动化了常规任务并有助于提升整体基础设施效率。 DCGM支持Linux操作系统，在x86_64、Arm及POWER（ppc64le）平台上均可使用。安装程序包包括库文件、二进制文件以及NVIDIA验证套件(NVVS)和API源代码示例(C语言，Python和Go语言版本)。此外，DCGM还集成了收集GPU遥测数据的功能，并已融入Kubernetes生态系统中。