Docker 环境下 GPU 监控实战：使用 Prometheus 实现 DCGM Exporter 部署与 GPU 性能监控

本文介绍了如何在 Docker 环境下，通过 Prometheus 和 DCGM Exporter 实现对 GPU 资源的监控。文章首先展示了如何使用 nvidia-smi 查看 GPU 信息，并提供了通过 Docker run 和 Docker Compose 部署 DCGM Exporter 的详细步骤。接着，文章还解决了部署过程中可能遇到的 NVML 初始化错误，指导用户安装 NVIDIA 容器工具包，确保 GPU 监控顺利进行。最后，用户可以通过 Prometheus 配置抓取 GPU 性能指标数据，并通过访问 metrics 页面验证系统是否成功运行，帮助开发者和运维人员实现对 GPU 资源的高效监控和管理。

预备课：

Docker 安装与配置：从入门到部署

Docker 部署 Prometheus+Grafana 监控系统快速指南

Docker Compose 部署大模型GPU集群：高效分配与管理算力资源

一 查看当前 GPU 信息

nvidia-smi

当前GPU信息

二 dcgm-exporter 部署

1）Docker run 运行

$ DCGM_EXPORTER_VERSION=2.1.4-2.3.1 && \
  docker run -d --rm \
   --gpus all \
   --net host \
   --cap-add SYS_ADMIN \
   nvcr.io/nvidia/k8s/dcgm-exporter:${DCGM_EXPORTER_VERSION}-ubuntu20.04 \
   -f /etc/dcgm-exporter/dcp-metrics-included.csv
# 或者

或者

$ sudo docker run -d --gpus all --rm -p 9400:9400 nvidia/dcgm-exporter:3.2.5-3.1.8-ubi8

注：测试时可以用 --rm ，其他情况删除上面的 --rm 。

2）Docker compose 运行

docker-compose.gpu192.yml

version: '3'
services:
  dcgm-exporter:
    image: nvidia/dcgm-exporter:3.2.5-3.1.8-ubi8
    container_name: dcgm-exporter
    hostname: dcgm-exporter_192
    restart: always
    ports:
      - "9400:9400"

三 运行时报错

运行上面的 docker compose 报错，如下

dcgm-exporter  | Warning #2: dcgm-exporter doesn't have sufficient privileges to expose profiling metrics. To get profiling metrics with dcgm-exporter, use --cap-add SYS_ADMIN
dcgm-exporter  | time="2023-10-23T07:55:38Z" level=info msg="Starting dcgm-exporter"
dcgm-exporter  | Error: Failed to initialize NVML
dcgm-exporter  | time="2023-10-23T07:55:38Z" level=fatal msg="Error starting nv-hostengine: DCGM initialization error"

ERROR

docker: Error response from daemon: could not select device driver "" with capabilities: [[gpu]].

解决方案

需要 安装 NVIDIA 容器工具包

curl -s -L https://nvidia.github.io/libnvidia-container/stable/rpm/nvidia-container-toolkit.repo | \
sudo tee /etc/yum.repos.d/nvidia-container-toolkit.repo
# 
sudo yum install -y nvidia-container-toolkit
#
sudo nvidia-ctk runtime configure --runtime=docker
#
sudo systemctl restart docker

运行，sudo nvidia-ctk runtime configure --runtime=docker，追加 /etc/docker/daemon.json 的内容

{
    "runtimes": {
        "nvidia": {
            "args": [],
            "path": "nvidia-container-runtime"
        }
    }
}

四 验证测试

访问 URL：http://your-ip:9400/metrics 。

五 配置 prometheus

global:
  scrape_interval: 15s # 设置全局默认的抓取周期为15秒，这意味着Prometheus每15秒从配置的目标处拉取数据一次
  external_labels:
    monitor: gpu-monitor # 给所有从此Prometheus实例抓取的数据添加额外的标签，这里的标签名是"monitor"，值是"gpu-monitor"

scrape_configs:
  - job_name: 'dcgm-exporter' # 定义一个抓取任务，名称为'dcgm-exporter'
    static_configs:
      - targets: ['your-ip:9400'] # 指定抓取目标，这里是位于'your-ip'的主机上，端口为9400的服务

属性解释

• scrape_interval 定义了Prometheus抓取指标数据的频率。
• external_labels 用于添加一些额外的、全局的标签到抓取到的数据中，这有助于在多个Prometheus实例中区分数据来源。
• scrape_configs 部分定义了具体的抓取任务。每个任务可以有不同的目标和配置。
• job_name 为这个抓取任务命名，可以在Prometheus的查询界面中用于区分不同的任务。
• static_configs 中的 targets 列表指定了具体的抓取目标。这里的地址需要替换成实际的IP地址和端口，通常是运行监控代理的服务器地址。