服务器硬件健康检查怎么监控 GPU 显卡的温度、显存错误与算力状态

酷浩小哥_3396

酷浩小哥_3396

2026-11-17

435人浏览

原创

核心是用nvidia-smi -q -d TEMPERATURE,MEMORY,ERRORS获取温度、显存使用及ECC错误等传感器数据,重点关注GPU Current Temp(≤83°C)、Uncorrectable Errors是否非零;DCGM则用于长期自动化监控,支持Prometheus对接与主动诊断。

服务器硬件健康检查怎么监控 gpu 显卡的温度、显存错误与算力状态

监控 GPU 硬件健康状态,核心是获取底层传感器数据和驱动暴露的运行指标。Linux 服务器环境下,主要依赖 NVIDIA 驱动配套工具(如 nvidia-smi)和系统级接口(如 ipmitool 或 dcgm),不依赖第三方 GUI 软件。

用 nvidia-smi 实时查看温度与显存错误

nvidia-smi 是最轻量、最通用的检查方式,无需额外安装(只要装好官方驱动)。它能直接读取 GPU 的板载传感器和 ECC 错误计数器:

  • 执行 nvidia-smi -q -d TEMPERATURE,MEMORY,ERRORS 可输出当前温度、显存使用量、ECC 错误(Voluntary 和 Uncorrectable 类型)等结构化信息
  • 重点关注字段:GPU Current Temp(建议长期不超过 83°C)、Current FB Memory Usage、以及 Uncorrectable Errors 是否非零——一旦出现,说明显存已发生不可修复错误,需预警并计划更换
  • 可搭配 watch -n 2 'nvidia-smi -q -d TEMPERATURE,ERRORS | grep -E "(Temp|Errors)"' 每 2 秒刷新关键项,适合快速人工巡检

用 DCGM 持续采集指标并对接监控系统

DCGM(Data Center GPU Manager) 是 NVIDIA 官方为数据中心设计的监控套件,比 nvidia-smi 更适合长期、自动化、多卡场景:

AssemblyAI
AssemblyAI

AssemblyAI是一款为开发者提供语音转文字、语音理解和语音 Agent API 的 Speech AI 平台。

下载
  • 安装后启用 dcgmi CLI 或 dcgm-exporter(Prometheus Exporter 模式),后者会将 GPU 温度、GPU 利用率、显存带宽、ECC 错误累计值等以 HTTP 接口形式暴露
  • 配合 Prometheus + Grafana,可绘制趋势图、设置告警规则(例如:连续 3 次采样中 dcgm_fb_free dcgm_uncor_ecc_errors > 0)
  • DCGM 还支持主动诊断(dcgmi diag),可运行内置压力测试验证算力稳定性,适用于上线前验收或故障复现

确认 GPU 算力是否被正常调度与释放

“算力状态”不是静态硬件参数,而是看计算任务能否实际获得预期资源。需结合驱动层与应用层交叉验证:

  • 运行 nvidia-smi pmon -s u 查看每张 GPU 上各进程的利用率(%util)、显存占用(MB)和计算模式(C0/C1/C2),若长期显示 0%util 但显存未释放,可能是进程僵死或 CUDA 上下文泄漏
  • 检查 nvidia-smi -q -d SUPPORTED_CLOCKS 和 CURRENT_CLOCKS,确认 GPU 是否被降频(如从 1.5 GHz 降到 0.3 GHz),常见于温控限频或电源策略限制
  • 对容器化环境(如 Kubernetes + GPU Operator),还需验证 nvidia-device-plugin 日志是否上报设备就绪,以及 Pod 内 nvidia-smi 是否能识别到 GPU 设备号

补充:硬件级冗余与日志归档建议

仅靠软件工具不够,需建立基础运维闭环:

  • 开启 nvidia-smi -e 1 启用持久化模式(Persistence Mode),避免驱动频繁重载导致的短暂不可用
  • 配置 rsyslog 或 journald 捕获 nvidia-persistenced 和 dcgmd 的启动/异常日志,保留至少 7 天
  • 对双路/多卡服务器,定期用 lspci -vv -s $(lspci | grep NVIDIA | head -1 | awk '{print $1}') | grep -i "error" 检查 PCIe 链路层错误(如 Correctable Error 频发可能预示插槽或主板问题)

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

显卡

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
服务器是什么
服务器是什么

服务器是一种计算机硬件设备或软件程序,它具有强大的计算和存储能力,用请求、存储数据和提供服务。它在互联网中着关重要的作用,为用户提供各种服务和资源。本专题为大家提供服务器相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.15

457

5

连接apple id服务器时出错
连接apple id服务器时出错

连接apple id服务器时出错的原因包括网络连接问题、服务器问题、Apple ID账户问题、设备问题、防火墙或安全软件问题、时间和日期设置问题、Apple服务器维护等。本专题为大家提供apple id相关的文章、下载、课程内容,供大家免费下载体验。

2023.09.08

1000

5

搭建互联网服务器
搭建互联网服务器

搭建互联网服务器需要:1、选择合适的硬件和操作系统,第一步是选择合适的硬件和操作系统;2、安装和配置操作系统,是搭建互联网服务器的关键步骤;3、安装和配置服务器软件,是搭建互联网服务器的下一步,常见的服务器软件包括Apache、Nginx、Tomcat等;4、配置防火墙和安全性,是搭建互联网服务器的重要步骤;5、域名解析和配置,是搭建互联网服务器的最后一步。

2023.09.19

3672

5

如何查看服务器状态
如何查看服务器状态

查看服务器状态的方法有使用命令行工具、图形界面工具、监控工具、日志文件和远程管理工具等。本专题为大家提供服务器状态相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.09

1196

5

服务器域名转接慢怎么解决
服务器域名转接慢怎么解决

服务器域名转接慢的解决办法有DNS优化、服务器优化、CDN加速、前端优化和网络优化等。本专题为大家提供服务器相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.17

1069

5

服务器评测软件
服务器评测软件

服务器评测软件有PassMark Software、CPU-Z、GPU-Z、CrystalDiskMark、IOmeter、JMeter、LoadRunner、Apache Bench等等。详细介绍:1、PassMark Software是一款综合性的服务器性能测试软件,可以评估服务器在各种负载条件下的性能;2、CPU-Z是一款可以提供服务器CPU详细信息的软件等等。

2023.10.17

554

3

如何开启TFTP服务器
如何开启TFTP服务器

开启TFTP服务器的步骤包括选择TFTP服务器软件、下载和安装软件、配置TFTP服务器以及启动和测试服务器等。本专题为大家提供服务器相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.18

3396

4

服务器负载不兼容怎么解决
服务器负载不兼容怎么解决

解决方法:1、增加服务器资源;2、负载均衡;3、优化应用程序;4、增加缓存机制;5、分布式架构;6、限流和熔断;7、自动化扩容。想知道更详细服务器负载不兼容的解决方法,可以访问本专题下面的文章。

2023.10.20

6452

4

宽带如何接入服务器
宽带如何接入服务器

宽带接入服务器的方法有ADSL宽带接入服务器、光纤接入服务器、无线接入服务器和以太网接入服务器等。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.20

967

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.7万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.3万人学习