在上一篇文章中，我写了如何让 Docker 和 Kubernetes识别 GPU 节点并使用它们。在繁重的训练阶段，ML和深度学习程序也需要了解 GPU 利用率、内存使用情况以及温度统计数据。公开 GPU 指标以便对其进行监控，需要做一些工作。在本文中，我想分享我在 Kubernetes集群中为 GPU 指标监控所做的工作。
我的 Kubernetes 版本是1.20.2，而且我有Tesla V100GPU。这些说明已经试过了centos7。
Metrics通常是通过收集，存储和可视化的指标服务器。Prometheus（开源监控，时间序列数据库）以及Grafana可视化最适合此目的。您之前可能已经看过这种架构，很高兴在这种情况下再次查看它。
我们将为监控解决方案安装Prometheus堆栈。然后我们将使用 NVIDIAData Center GPU Manager (DCGM)来公开 Prometheus的 GPU 指标。
一、安装 Prometheus
这很容易通过helm. 我们只需要在安装时做一些小的配置添加。添加prometheus helm存储库。
$ helm repo add prometheus-community \
https://prometheus-community.github.io/helm-charts更新。
$ helm repo update现在我们需要修inspectcharts在文件中获取这些值。
helm inspect values prometheus-community/kube-prometheus-stack > /tmp/kube-prometheus-stack.values更改这些值，以便我们可以通过 NodePort公开服务，以便我们可以在浏览器上访问集群外的仪表板。在kube-prometheus-stack.values文件中查找此部分。
## Port to expose on each node
## Only used if service.type is 'NodePort'
##
nodePort: 30903
## List of IP addresses at which the Prometheus server service is available
## Ref: https://kubernetes.io/docs/user-guide/services/#external-ips
##
## Additional ports to open for Alertmanager service
additionalPorts: []
externalIPs: []
loadBalancerIP: ""
loadBalancerSourceRanges: []
## Service type
##
type: ClusterIP更改nodePort和 的值type。
nodePort: 30090
....
type: NodePort
查找serviceMonitorSelectorNilUsesHelmValues并将值更改为false。
## If true, a nil or {} value for prometheus.prometheusSpec.serviceMonitorSelector will cause the
## prometheus resource to be created with selectors based on values in the helm deployment,
## which will also match the servicemonitors created
##
serviceMonitorSelectorNilUsesHelmValues: false现在搜索additionalScrapeSettings– 默认情况下这应该是空的。我们将configMap在本节中添加一个。添加后，它应该是这样的。
## AdditionalScrapeConfigs allows specifying additional Prometheus scrape configurations. Scrape configurations
## are appended to the configurations generated by the Prometheus Operator. Job configurations must have the form
## as specified in the official Prometheus documentation:
## https://prometheus.io/docs/prometheus/latest/configuration/configuration/#scrape_config. As scrape configs are
## appended, the user is responsible to make sure it is valid. Note that using this feature may expose the possibility
## to break upgrades of Prometheus. It is advised to review Prometheus release notes to ensure that no incompatible
## scrape configs are going to break Prometheus after the upgrade.
##
## The scrape configuration example below will find master nodes, provided they have the name .*mst.*, relabel the
## port to 2379 and allow etcd scraping provided it is running on all Kubernetes master nodes
##
additionalScrapeConfigs:
- job_name: gpu-metrics
scrape_interval: 1s
metrics_path: /metrics
scheme: http
kubernetes_sd_configs:
- role: endpoints
namespaces:
names:
- gpu-operator-resources
relabel_configs:
- source_labels: [__meta_kubernetes_pod_node_name]
action: replace
target_label: kubernetes_node现在保存这个文件。我们现在准备安装 Prometheus 和 Grafana。请注意，我们正在创建一个新的命名空间prometheus并安装到它。
$ helm install prometheus-community/kube-prometheus-stack \
--create-namespace --namespace prometheus \
--generate-name \
--values /tmp/kube-prometheus-stack.values您将看到安装成功。您还可以通过检查 pod 进行验证。
$ kubectl get pods -n prometheus
NAME READY STATUS RESTARTS AGE
alertmanager-kube-prometheus-stack-1614-alertmanager-0 2/2 Running 0 2m
kube-prometheus-stack-1614-operator-5887789674-brbzf 1/1 Running 0 2m
kube-prometheus-stack-1614100923-grafana-6f6c5999f9-gspmp 2/2 Running 0 2m
kube-prometheus-stack-1614100923-kube-state-metrics-69bcc9zbj76 1/1 Running 0 2m
kube-prometheus-stack-1614100923-prometheus-node-exporter-6t9ln 1/1 Running 0 2m
kube-prometheus-stack-1614100923-prometheus-node-exporter-pp5pn 1/1 Running 0 2m
prometheus-kube-prometheus-stack-1614-prometheus-0 2/2 Running 0 2m
您还可以检查服务以查看 prometheus 在30090我们想要的端口上是否可用。
$ kubectl get svc -n prometheus
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
alertmanager-operated ClusterIP None <none> 9093/TCP,9094/TCP,9094/UDP 3m
kube-prometheus-stack-1614-alertmanager ClusterIP 10.97.150.200 <none> 9093/TCP 3m
kube-prometheus-stack-1614-operator ClusterIP 10.107.120.24 <none> 443/TCP 3m
kube-prometheus-stack-1614-prometheus NodePort 10.106.243.247 <none> 9090:30090/TCP 3m
kube-prometheus-stack-1614100923-grafana NodePort 10.100.30.205 <none> 80/TCP 3m
kube-prometheus-stack-1614100923-kube-state-metrics ClusterIP 10.111.133.205 <none> 8080/TCP 3m
kube-prometheus-stack-1614100923-prometheus-node-exporter ClusterIP 10.110.160.60 <none> 9100/TCP 3m
prometheus-operated ClusterIP None <none> 9090/TCP 3m二、安装 DCGM 导出器
这应该与 helm 安装一样容易。但是，如果您走这条路线，则并非所有 GPU指标都默认启用。我特别缺少的一项是 GPU利用率指标。因此，我决定克隆存储库，并进行微小更改以包含我想要的指标。
git clone https://github.com/NVIDIA/gpu-monitoring-tools.git现在，编辑default-counters.csv和dcp-metrics-include.csv下的文件gpu-monitoring-tools/etc/dcgm-exporter夹，添加我们想要的指标。
在 csv文件中的部分DCGM_FI_DEV_GPU_UTIL下查找标记Utilization。取消注释此行。在此期间，您可以评论此文件中不需要的任何其他指标。一些指标的收集需要大量计算，因此我们应该通过评论不需要的指
现在在文件夹下gpu-monitoring-tools/deployment，执行以下命令安装dcgm-exporter。
helm install — generate-name dcgm-exporter/您可以查看defaultdcgm-exporter 名称空间中的 pod。请注意，我的集群中有两个 GPU 节点。
$ kubectl get pods
NAME READY STATUS RESTARTS AGE
dcgm-exporter-1615588874-l8pzq 1/1 Running 0 2m
dcgm-exporter-1615588874-sdj56 1/1 Running 0 2m三、Prometheus仪表板
现在让我们通过打开http://<machine-ip-address>:30090 来验证 Prometheus 仪表板中公开的 GPU指标。您可以DCGM_GPU_UTIL在框中输入（或您感兴趣的任何其他指标）并查看结果。
四、配置 Grafana
与我们对 prometheus 仪表板所做的类似，我们还可以将ClusterIPGrafana 使用的默认暴露更改为NodePort，以便我们也可以在集群外的浏览器上访问 Grafana仪表板。让我们制作一个补丁文件。
$ cat << EOF | tee grafana-patch.yaml
spec:
type: NodePort
nodePort: 32322
EOF现在用这个 yaml修补服务。您将看到一条消息，说明补丁已成功。
$ kubectl patch svc kube-prometheus-stack-1603211794-grafana \
-n prometheus \
--patch "$(cat grafana-patch.yaml)"记下外部可访问端口。
$ kubectl get svc -n prometheus|grep grafana
kube-prometheus-stack-1614100923-grafana NodePort 10.100.30.205 <none> 80:32197/TCP 3m在我的情况下，端口是32197. 在浏览器上打开http://<machine-ip-address>:32197。系统将提示您登录。您将用作admin户名。密码在我们之前更改的值文件中可用。
$ cat /tmp/kube-prometheus-stack.values|grep -i password
adminPassword: prom-operator五、Grafana 仪表板
我们可以使用 NVIDIA 提供的 DCGM仪表板。要导入它，在 Grafana 页面中，转到仪表板 -&ghttps://grafana.com/grafana/dashb 作为 url。
单击Load并选择Prometheus作为数据源。导入后，您可以观看新的仪表板。
您当然可以创建自定义仪表板来可视化更多指标。在下一篇文章中，我们将看到如何使用这些指标来自动扩展我们的工作负载。
参考文献
https://medium.com/@rajupavuluri/how-to-expose-and-visualize-gpu-metrics-in-your-kubernetes-cluster-2520a7c3ba37