添加 scripts/deploy_gpu_monitor.sh

scripts/deploy_gpu_monitor.sh

@@ -0,0 +1,102 @@
+#!/bin/bash
+# 功能：监控 GPU 温度、功率、使用率、数量及在线状态（固定8卡：0~7）
+# 路径：/usr/local/bin/gpu_monitor.sh
+
+METRICS_FILE="/var/lib/node_exporter/textfile_collector/gpu_metrics.prom"
+mkdir -p "$(dirname "${METRICS_FILE}")"
+
+# 预期的8张GPU编号
+EXPECTED_GPUS="0 1 2 3 4 5 6 7"
+
+# 临时文件存储当前检测到的 GPU 编号和使用率
+TMP_GPU_IDS=$(mktemp)
+TMP_GPU_UTIL=$(mktemp)
+
+# 1. 收集所有在线 GPU 基础指标，并记录在线编号和使用率
+{
+  echo "# HELP gpu_temperature GPU 核心温度 (℃)"
+  echo "# TYPE gpu_temperature gauge"
+  
+  echo "# HELP gpu_power_limit GPU 额定功率（最大功率限制，W）"
+  echo "# TYPE gpu_power_limit gauge"
+  
+  echo "# HELP gpu_power_current GPU 当前功率（实时功耗，W）"
+  echo "# TYPE gpu_power_current gauge"
+  
+  echo "# HELP gpu_utilization GPU 计算核心使用率 (%)"
+  echo "# TYPE gpu_utilization gauge"
+
+  # GPU 在线状态（1=在线，0=离线）
+  echo "# HELP gpu_online  GPU 在线状态（1=在线，0=离线）"
+  echo "# TYPE gpu_online gauge"
+
+  # 聚合指标：所有 GPU 的平均使用率
+  echo "# HELP gpu_utilization_avg 所有 GPU 的平均使用率 (%)"
+  echo "# TYPE gpu_utilization_avg gauge"
+  
+  # 聚合指标：所有 GPU 的总使用率 (%)
+  echo "# HELP gpu_utilization_total 所有 GPU 的总使用率 (%)"
+  echo "# TYPE gpu_utilization_total gauge"
+
+  # 收集单块 GPU 指标
+  total_util=0  # 初始化总使用率
+  online_count=0  # 初始化在线 GPU 数量
+  
+  nvidia-smi --query-gpu=index,power.limit,power.draw,temperature.gpu,utilization.gpu \
+    --format=csv,noheader,nounits | while IFS=',' read -r idx limit current temp util; do
+    idx=$(echo "${idx}" | xargs)
+    limit=$(echo "${limit}" | xargs)
+    current=$(echo "${current}" | xargs)
+    temp=$(echo "${temp}" | xargs)
+    util=$(echo "${util}" | xargs)
+    
+    # 输出单块 GPU 指标
+    echo "gpu_temperature{gpu=\"${idx}\"} ${temp}"
+    echo "gpu_power_limit{gpu=\"${idx}\"} ${limit}"
+    echo "gpu_power_current{gpu=\"${idx}\"} ${current}"
+    echo "gpu_utilization{gpu=\"${idx}\"} ${util}"
+    echo "gpu_online{gpu=\"${idx}\"} 1"  # 标记为在线
+    
+    # 记录在线 GPU 编号和使用率
+    echo "${idx}" >> "${TMP_GPU_IDS}"
+    echo "${util}" >> "${TMP_GPU_UTIL}"
+    
+    # 累加总使用率
+    ((total_util += util))
+    ((online_count++))
+  done
+
+  # 2. 计算当前在线 GPU 总数
+  echo "# HELP gpu_total 在线 GPU 总数"
+  echo "# TYPE gpu_total gauge"
+  gpu_count=$(wc -l < "${TMP_GPU_IDS}" | xargs)
+  echo "gpu_total ${gpu_count}"
+
+  # 3. 计算并输出聚合使用率指标
+  if [ "${online_count}" -gt 0 ]; then
+    # 平均使用率 = 总使用率 / 在线 GPU 数量
+    avg_util=$(echo "scale=2; ${total_util} / ${online_count}" | bc)
+    echo "gpu_utilization_avg ${avg_util}"
+    
+    # 总使用率（所有 GPU 使用率之和）
+    echo "gpu_utilization_total ${total_util}"
+  else
+    # 无在线 GPU 时设为 0
+    echo "gpu_utilization_avg 0"
+    echo "gpu_utilization_total 0"
+  fi
+
+  # 4. 标记离线的 GPU
+  for expected_gpu in ${EXPECTED_GPUS}; do
+    if ! grep -q "^${expected_gpu}$" "${TMP_GPU_IDS}"; then
+      echo "gpu_online{gpu=\"${expected_gpu}\"} 0"  # 标记为离线
+      echo "gpu_temperature{gpu=\"${expected_gpu}\"} 0"
+      echo "gpu_power_limit{gpu=\"${expected_gpu}\"} 0"
+      echo "gpu_power_current{gpu=\"${expected_gpu}\"} 0"
+      echo "gpu_utilization{gpu=\"${expected_gpu}\"} 0"
+    fi
+  done
+} > "${METRICS_FILE}"
+
+# 清理临时文件
+rm -f "${TMP_GPU_IDS}" "${TMP_GPU_UTIL}"