本文說明如何設定 Google Kubernetes Engine 部署作業,以便使用 Google Cloud Managed Service for Prometheus 從 NVIDIA Data Center GPU Manager 收集指標。本文說明如何執行下列操作:
- 設定 DCGM 的匯出工具,以回報指標。
只有在使用 Managed Service for Prometheus 的 代管收集作業時,才需要按照這些操作說明進行設定。如果您使用自行部署的收集作業,請參閱 DCGM Exporter 的來源存放區,瞭解安裝資訊。
這些操作說明僅供參考,適用於大多數 Kubernetes 環境。如要瞭解代管 DCGM 服務,請參閱「 收集及查看 DCGM 指標」。
如果因嚴格的安全或機構政策而無法安裝應用程式或匯出工具,建議您參閱開放原始碼文件尋求支援。
如需 NVIDIA Data Center GPU Manager 的相關資訊,請參閱 NVIDIA DCGM。
必要條件
如要使用 Managed Service for Prometheus 和代管收集作業從 DCGM 收集指標,部署作業必須符合下列規定:
- 叢集必須執行 Google Kubernetes Engine 1.28.15-gke.2475000 以上版本。
- 您必須執行 Managed Service for Prometheus,並啟用代管收集作業。詳情請參閱「 開始使用代管集合」一文。
確認您有 足夠的 NVIDIA GPU 配額。
如要列舉 GKE 叢集中的 GPU 節點及其 GPU 類型,請在相關叢集中執行下列指令:
kubectl get nodes -l cloud.google.com/gke-gpu -o jsonpath='{range .items[*]}{@.metadata.name}{" "}{@.metadata.labels.cloud\.google\.com/gke-accelerator}{"\n"}{end}'請注意,如果自動安裝功能已停用,或您的 GKE 版本不支援這項功能,您可能必須在節點上 安裝相容的 NVIDIA GPU 驅動程式。如要確認 NVIDIA GPU 裝置外掛程式是否正在執行,請執行下列指令:
kubectl get pods -n kube-system | grep nvidia-gpu-device-plugin
安裝 DCGM 匯出工具
建議您使用下列設定安裝 DCGM 匯出工具 DCGM-Exporter:
使用下列指令設定通訊埠轉送:
kubectl -n gmp-public port-forward POD_NAME 9400
在另一個終端機工作階段中,使用瀏覽器或
curl公用程式存取端點localhost:9400/metrics。
您可以自訂 ConfigMap 區段,選取要發布的 GPU 指標。
或者,您也可以考慮使用官方 Helm 資訊套件安裝 DCGM Exporter。
如要從本機檔案套用設定變更,請執行下列指令:
kubectl apply -n NAMESPACE_NAME -f FILE_NAME
您也可以使用 Terraform 管理設定。
定義 PodMonitoring 資源
如要探索目標,Managed Service for Prometheus Operator 需要與 DCGM Exporter 對應的 PodMonitoring 資源 (位於相同命名空間)。
您可以使用下列 PodMonitoring 設定:
如要從本機檔案套用設定變更,請執行下列指令:
kubectl apply -n NAMESPACE_NAME -f FILE_NAME
您也可以使用 Terraform 管理設定。
驗證設定
您可以使用 Metrics Explorer 驗證 DCGM Exporter 是否設定正確。Cloud Monitoring 可能需要一到兩分鐘才能擷取指標。
如要確認指標已擷取,請按照下列步驟操作:
-
前往 Google Cloud 控制台的 leaderboard「Metrics Explorer」頁面:
如果您是使用搜尋列尋找這個頁面,請選取子標題為「Monitoring」的結果。
- 在查詢建構工具窗格的工具列中,選取名稱為 code MQL 或 code PromQL 的按鈕。
- 確認已在「Language」(語言) 切換按鈕中選取「PromQL」。語言切換按鈕位於同一工具列,可供你設定查詢格式。
- 輸入並執行下列查詢:
DCGM_FI_DEV_GPU_UTIL{cluster="CLUSTER_NAME", namespace="gmp-public"}
疑難排解
如要瞭解如何排解指標擷取問題,請參閱「 排解擷取端問題」中的「 無法從匯出工具收集資料」。