dstack项目0.18.44版本发布：GPU资源优化与监控能力升级

dstack是一个开源的机器学习工作流编排工具，它帮助数据科学家和机器学习工程师在云环境中高效地运行和管理训练任务。最新发布的0.18.44版本带来了几项重要的功能改进，主要集中在GPU资源利用优化和监控能力的增强上。

GPU利用率策略：智能资源管理

新版本引入了一个创新的GPU利用率策略功能，允许用户为运行中的任务设置最低GPU利用率阈值。这项功能可以有效避免昂贵的GPU资源被低效使用的情况。

在实际应用中，用户可以在任务配置文件中这样设置：

type: task

utilization_policy:
  min_gpu_utilization: 30
  time_window: 30m

resources:
  gpu: nvidia:8:24GB

这个配置意味着，如果在30分钟的时间窗口内，8块GPU中的任何一块在所有采样点中的利用率都低于30%，系统将自动终止该运行任务。这种机制特别适合以下场景：

• 训练过程中出现异常导致GPU利用率下降
• 任务配置不当导致资源浪费
• 需要确保高优先级任务获得足够资源

系统还设置了时间窗口的合理范围限制（1分钟到24小时），防止用户设置不合理的监控周期。

DCGM指标监控：深入GPU性能分析

0.18.44版本新增了对NVIDIA DCGM（Data Center GPU Manager）指标的支持。DCGM是NVIDIA提供的一套全面的GPU监控工具，能够收集包括：

• GPU利用率
• 显存使用情况
• 温度
• 功耗
• 错误信息等详细指标

目前，这项功能在AWS、Azure、GCP、OCI等主流云平台以及SSH集群上都已得到支持。管理员可以通过配置Prometheus等监控系统来收集这些指标，为集群性能分析和优化提供数据支持。

RunPod社区云支持：降低成本新选择

除了原有的Secure Cloud服务外，dstack现在还可以利用RunPod的Community Cloud资源。Community Cloud通常提供更优惠的价格，用户可以通过两字母的地区代码来识别这些资源。

在资源选择时，系统会同时显示两种云服务的选项：

 #  BACKEND  REGION    INSTANCE               SPOT  PRICE
 1  runpod   CA        NVIDIA A100 80GB PCIe  yes   $0.6
 2  runpod   CA-MTL-3  NVIDIA A100 80GB PCIe  yes   $0.82

其中，两字母地区代码(如"CA")表示Community Cloud资源。用户可以根据预算和需求灵活选择，也可以在后台设置中完全禁用Community Cloud资源。

其他改进与优化

1. 用户体验增强：全局管理员现在可以直接在UI界面中编辑用户邮箱，简化了用户管理流程。

2. 企业级认证：新增了对Microsoft EntraID的支持，方便企业用户集成现有的身份认证系统。

3. 稳定性提升：改进了数据库查询中的锁机制，添加了ORDER BY子句以避免潜在的锁冲突问题。

4. 错误处理优化：当镜像拉取失败时，系统会提供更清晰的错误信息，帮助用户快速定位问题。

这些改进共同提升了dstack在资源管理、监控能力和用户体验方面的表现，使其成为机器学习工作流管理的更加强大和可靠的解决方案。