MTDCGM
摩尔线程数据中心GPU管理器（MTDCGM）是一套用于在集群环境中管理和监控mthreads数据中心GPU的工具。它包括主动健康监控、全面的诊断、系统警报等功能。基础设施团队可以单独使用它，并且它能够轻松地与mthreads合作伙伴提供的集群管理工具、资源调度和监控产品集成。
关于MTDCGM
摩尔线程数据中心GPU管理器（MTDCGM）是一套用于在集群环境中管理和监控mthreads数据中心GPU的工具。它包括主动健康监控、全面的诊断、系统警报等功能。基础设施团队可以单独使用它，并且它能够轻松地与mthreads合作伙伴提供的集群管理工具、资源调度和监控产品集成。
MTDCGM使用
MTDCGM简化了数据中心中的GPU管理，提高了资源的可靠性和正常运行时间，自动化了管理任务，并有助于提升整体基础设施的效率。DCGM支持在x86_64平台上的Linux操作系统。安装包中包含了库、二进制文件、验证套件（MTVS），以及使用API（C、Python和Go）的源代码示例。 摩尔线程数据中心数据中心GPU管理器（MTDCGM）包含了数据中心GPU管理接口（DCGMI）作为命令行工具，这是一款设计用于在数据中心环境中管理和监控GPU资源的软件。DCGMI为管理员提供了广泛的数据中心GPU状态信息，包括利用率、温度、功耗等，帮助他们有效地监控和管理GPU资源。
MTDCGM核心功能
健康检查与监控
健康检查：非入侵式的检查，提供实时监控和健康数据： • General:Power、Thermal • Memory: ECC SBE、ECC DBE、Retired SEB、Retire DBE以及XID • PCIe：Replay Counter • Mtlink：Replay Counter、Recovery Counter、CRC General Counter等
设备诊断及验证
• Environment检查: Device数量检查、Mtml lib 检测、Musa lib检查 • PCIe诊断：检测D2H、H2D、BID带宽和时延、D2D（Read、Write以及BID）带宽和时延（PCIe only），StressD2D（Read、Write以及BID）带宽和时延（Mtlink only） • Memory Test诊断：借用业界memtest86算法检测memory • Targeted Power：检测能够达到目标功耗并维持一段时间 • Targeted Stress ：检测GPU perf（GFlops）达到目标perf
MT DCGM
摩尔线程数据中心GPU管理套件（MT DCGM）包含了数据中心GPU管理接口（DCGMI）作为命令行工具，这是一款设计用于在数据中心环境中管理和监控GPU资源的软件。为管理员提供了广泛的数据中心GPU状态信息，包括利用率、温度、功耗等，帮助他们有效地监控和管理GPU资源。