性能监控之Telegraf+InfluxDB+Grafana NVIDIA GPU实时监控

什么是GPU？

图形处理器（英语：Graphics Processing Unit，缩写：GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。 用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要，同时也在深度学习领域广泛应用。

预备知识

NVIDIA系统管理界面（nvidia-smi）是一个命令行实用程序，基于NVIDIA管理库（NVML），旨在帮助管理和监控NVIDIA GPU设备。
此实用程序允许管理员查询GPU设备状态并具有相应的权限，允许管理员修改GPU设备状态。它针对的是Tesla TM，GRID TM，Quadro TM和Titan X产品，但其他NVIDIA GPU也提供有限的支持。
NVIDIA-smi在Linux上配备了NVIDIA GPU显示驱动程序，并配有64位Windows Server 2008 R2和Windows 7。Nvidia-smi可以将查询信息作为XML或可读的纯文本报告给标准输出或文件形式。

示例NVIDIA-smi输出:

window下如何使用NVIDIA-smi？

nvidia-smi是跟nvidia显卡驱动程序放在一起的，所以我们可以在驱动默认安装文件路径C:\Program Files\NVIDIA Corporation\NVSMI里找到文件nvidia-smi.exe,把该文件拖到CMD窗口，就可以显示关于GPU的信息，如下图所示：

上图是Nvidia GeForce GTX 750的信息，下面解读参数。
上面的表格框中的信息与下面的四个框的信息是一一对应的：

• GPU：GPU 编号；
• Name：GPU 型号；
• Fan：风扇转速，从0到100%之间变动；
• Temp：温度，单位是摄氏度；
• Perf：性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能（即 GPU 未工作时为P0，达到最大工作限度时为P12）。
• Pwr:Usage/Cap：能耗；
• Memory Usage：显存使用率；
• Bus-Id：涉及GPU总线的东西，domain:bus:device.function；
• Disp.A：Display Active，表示GPU的显示是否初始化；
• Volatile GPU-Util：浮动的GPU利用率（GPU Load）；
• Uncorr. ECC：Error Correcting Code，错误检查与纠正；
• Compute M：compute mode，计算模式。
• 下方的Processes表示每个进程对 GPU 的显存使用率。

Telegraf+InfluxDB+Grafana监控NVIDIA GPU

Telegraf提供nvidia-smi采集插件收集GPU性能数据
Github地址：https://github.com/influxdata/telegraf/tree/master/plugins/inputs/nvidia_smi

配置插件

[[inputs.nvidia_smi]]
  ## Optional: path to nvidia-smi binary, defaults to $PATH via exec.LookPath
  bin_path = "C:\\Program Files\\NVIDIA Corporation\\NVSMI\\nvidia-smi.exe"

  ## Optional: timeout for GPU polling
  timeout = "5s"

采集度量

measurement：nvidia_smi

• tags
  • name（例如GPU的类型GeForce GTX 1070 Ti）
  • compute_mode（例如GPU的计算模式Default）
  • index（GPU连接到主板的端口索引，例如1）
  • pstate（例如GPU的超频状态P0）
  • uuid（例如GPU的唯一标识符，GPU-f9ba66fc-a7f5-94c5-da19-019ef2f9c665）
• fields
  • fan_speed （整数，百分比）
  • memory_free （整数，MiB）
  • memory_used （整数，MiB）
  • memory_total （整数，MiB）
  • power_draw （浮点，W）
  • temperature_gpu （整数，℃）
  • utilization_gpu （整数，百分比）
  • utilization_memory （整数，百分比）

采集数据示例：

Grafana Dashboard

相关资料：

• https://github.com/zuozewei/blog-example/tree/master/Performance-testing/03-performance-monitoring