NVIDIA/dcgm-exporter

NVIDIA DCGM Exporter – 它是什么

DCGM Exporter 是一项小型服务，用于读取来自 NVIDIA Data Center GPU Manager (DCGM) 的遥测数据，并以 Prometheus 文本格式提供这些数据。实际上，它让您可以使用任何与 Prometheus 兼容的监控堆栈（如 Grafana、OpenObserve 等）来抓取 GPU 健康状况、利用率、温度、功耗、内存使用量以及许多其他计数器。

核心目的

公开 GPU 指标：从 DCGM 提取广泛的计数器并将其呈现为 Prometheus 指标。
与可观测性工具整合：随附 Helm charts、容器镜像和现成的 Grafana 仪表板，便于在 Kubernetes 或裸机服务器上快速部署。

仓库中包含的主要组件

组件	内容
Exporter 源代码	与 DCGM 库通信并格式化指标的 Go 代码。
容器与包构建	用于轻松安装的 Docker 镜像与包清单。
Helm chart	Kubernetes 清单与配置辅助工具 (`deployment/README.md`)。
测试	端到端 Kubernetes 测试 (`tests/k8s/README.md`) 与容器级测试 (`tests/container/README.md`)。
仪表板	Grafana 仪表板 JSON (`grafana/dcgm-exporter-dashboard.json`) 以及社区仪表板链接 (Grafana.com, OpenObserve)。
默认指标列表	定义开箱即用收集哪些计数器的 CSV (`etc/default-counters.csv`)。

如何开始（如 README 中所述）

安装 – 遵循 README 中链接的 NVIDIA 官方安装指南。
配置 Prometheus – 将 exporter 端点添加到您的 Prometheus 抓取配置 (提供链接)。
验证 – 使用命令行参考来检查指标是否正在发送。
可视化 – 导入提供的 Grafana 仪表板或使用社区的 OpenObserve 仪表板。

兼容性说明

Exporter 必须与其构建时所对应的 相同 DCGM 版本 配对使用。README 指向一个版本兼容性页面，其中列出了支持的 DCGM-exporter 组合与远程连接选项。

贡献与支持

贡献准则位于 CONTRIBUTING.md。
问题与社区帮助通过 GitHub issues 页面处理。
安全性报告应通过 NVIDIA 的产品安全流程提交 (参阅 SECURITY.md)。

谁会使用它？

系统管理员：管理 GPU 密集型集群 (AI 训练、推理、HPC)。
DevOps/可观测性工程师：需要 Prometheus 兼容指标以进行警报与仪表板监控。
开发人员：围绕 GPU 健康状况构建自定义监控或自动扩展逻辑。

总结：DCGM Exporter 是 NVIDIA GPU 管理层与 Prometheus 生态系统之间生产就绪的桥梁，能够在 AI 与高性能计算环境中实现 GPU 资源的可靠监控。