更新 scripts/deploy_gpu_monitor.sh

scripts/deploy_gpu_monitor.sh

@@ -1,102 +1,64 @@
 #!/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}")"
+# 脚本部署工具 - 下载并配置GPU监控脚本
+set -euo pipefail
+IFS=$'\n\t'
 
-# 预期的8张GPU编号
-EXPECTED_GPUS="0 1 2 3 4 5 6 7"
+# 配置信息
+SCRIPT_URL="http://116.205.97.109/scripts/gpu_metrics.sh"  # 脚本下载地址
+TARGET_DIR="/opt/scripts"                     # 脚本存放目录
+TARGET_SCRIPT="${TARGET_DIR}/gpu_monitor.sh" # 目标脚本路径
+CRON_SCHEDULE="*/2 * * * *"                  # 定时任务执行频率
+LOG_FILE="/var/log/gpu_monitor.log"          # 日志文件路径
 
-# 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)
+# 创建目标目录
+mkdir -p "${TARGET_DIR}"
+cd "${TARGET_DIR}"
 
-# 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"
+# 下载脚本
+echo "正在下载GPU监控脚本..."
+wget -q -O "${TARGET_SCRIPT}" "${SCRIPT_URL}" || {
+    echo "错误: 无法从 ${SCRIPT_URL} 下载脚本" >&2
+    exit 1
+}
 
-  echo "# HELP gpu_power_limit GPU 额定功率（最大功率限制，W）"
-  echo "# TYPE gpu_power_limit gauge"
+# 赋予执行权限
+chmod +x "${TARGET_SCRIPT}"
 
-  echo "# HELP gpu_power_current GPU 当前功率（实时功耗，W）"
-  echo "# TYPE gpu_power_current gauge"
+# 修改脚本内容（示例：将GPU总数设置为8）
+echo "正在修改脚本配置..."
+sed -i 's/BASELINE_GPUS=".*"/BASELINE_GPUS="0 1 2 3 4 5 6 7"/' "${TARGET_SCRIPT}"
 
-  echo "# HELP gpu_utilization GPU 计算核心使用率 (%)"
-  echo "# TYPE gpu_utilization gauge"
+# 确保metrics文件目录存在
+METRICS_DIR="/var/lib/node_exporter/textfile_collector"
+mkdir -p "${METRICS_DIR}"
+chmod 755 "${METRICS_DIR}"
 
-  # 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"
+# 添加定时任务到crontab
+echo "正在配置定时任务..."
+(
+    crontab -l 2>/dev/null || true  # 获取现有crontab（如果有）
+    echo "${CRON_SCHEDULE} ${TARGET_SCRIPT} >> ${LOG_FILE} 2>&1"  # 添加新任务
+) | crontab -
 
-  # 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"
+# 验证定时任务
+echo "验证定时任务配置:"
+crontab -l | grep "${TARGET_SCRIPT}" || {
+    echo "错误: 定时任务添加失败" >&2
+    exit 1
+}
 
-  # 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"
+# 首次执行脚本
+echo "执行脚本进行测试..."
+"${TARGET_SCRIPT}" || {
+    echo "错误: 脚本首次执行失败，请检查 ${LOG_FILE}" >&2
+    exit 1
+}
 
-  # 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}"
+echo "====================================================="
+echo "GPU监控脚本已成功部署!"
+echo "脚本位置: ${TARGET_SCRIPT}"
+echo "定时任务: ${CRON_SCHEDULE}"
+echo "日志文件: ${LOG_FILE}"
+echo "指标文件: ${METRICS_DIR}/gpu_metrics.prom"
+echo "====================================================="