【亲测免费】 NVIDIA DCGM 导出器安装与配置完全指南

一、项目基础介绍及编程语言

NVIDIA DCGM 导出器（dcgm-exporter）是一款专为监控NVIDIA GPU性能指标而设计的开源工具。它允许将GPU的详细度量数据导出至Prometheus，一个流行的开源监控系统。此项目基于Go语言开发，利用了NVIDIA Data Center GPU Manager（DCGM），使得在容器化环境（如Docker和Kubernetes）中监控GPU变得简单高效。

二、关键技术和框架

技术要点：

1. NVIDIA DCGM：提供深入的GPU健康状况和性能指标。
2. Prometheus：作为目标监控系统，用于收集、存储和查询监控数据。
3. Golang：项目的开发语言，利于创建跨平台的应用程序。
4. Helm Charts：当在Kubernetes上部署时，使用Helm进行管理和配置。

框架与工具：

• Docker：容器化运行dcgm-exporter的环境。
• Helm：Kubernetes上的包管理工具，用于简化部署过程。
• Exporter Toolkit：支持TLS和基本认证的库。

三、安装与配置步骤

准备工作：

确保你的系统满足以下条件：

1. Docker安装：确保本地已安装最新版Docker。
2. Golang环境（如果你计划从源码编译）。
3. Kubernetes（如果你打算在集群中部署）。
4. Prometheus（可选，如果你要集成监控）。

安装步骤：

直接在Docker中启动（适用于快速测试）：

1. 打开终端。
2. 运行以下命令以启动dcgm-exporter容器，假设你的机器支持GPU并已正确设置GPU容器支持：

   docker run -d --gpus all --rm -p 9400:9400 nvcr.io/nvidia/k8s/dcgm-exporter:latest
   

3. 测试是否成功安装，访问Prometheus格式的metrics端点：

   curl localhost:9400/metrics
   

在Kubernetes集群上部署：

1. 安装Helm（如果尚未安装）。
2. 添加NVIDIA的Helm仓库：

   helm repo add gpu-helm-charts https://nvidia.github.io/dcgm-exporter/helm-charts
   

3. 更新Helm图表仓库：

   helm repo update
   

4. 使用Helm安装dcgm-exporter（这里--generate-name会自动生成服务名）：

   helm install --generate-name gpu-helm-charts/dcgm-exporter
   

5. 查看Pod状态以验证安装：

   kubectl get pods
   

6. 通过Port Forward获取Metrics（假定Pod名为dcgm-exporter-example）：

   kubectl port-forward $(kubectl get pods -l "app.kubernetes.io/name=dcgm-exporter" -o jsonpath='{.items[0].metadata.name}') 8080:9400
   

7. 访问本地端口查看metrics：

   curl -sL http://localhost:8080/metrics
   

高级配置与集成：

• 修改或定制收集的指标，需编辑CSV文件，并使用 -f 参数指定自定义文件路径启动dcgm-exporter。
• 若要启用TLS和基本认证，准备web-config.yaml文件，并通过 --web-config-file 启动选项指定。
• 对于Kubernetes集成，考虑使用GPU Operator来自动化整个流程，并确保Prometheus和Grafana能够接入这些监控数据，可以通过导入官方提供的Grafana Dashboard JSON配置来完成可视化展示。

至此，您已经完成了NVIDIA DCGM 导出器的基本安装与配置，可以开始您的GPU性能监控之旅。记得根据实际需求调整配置细节，享受便捷的GPU监控体验。