关于 gpu-server-management
gpu-server-management 是一项用于配置和监控 NVIDIA GPU 服务器的技能,适用于推理与训练工作负载,涵盖驱动和 CUDA 安装、容器配置、MIG 分区、诊断及指标监控。
主要功能
- 01安装 NVIDIA 驱动和 CUDA 工具包
- 02配置 Docker 以运行 GPU 工作负载
- 03监控 GPU 健康状态和指标
- 04使用 MIG 划分 A100 和 H100 GPU
- 05检查多 GPU 拓扑并排查错误
适用场景
- 01为模型推理准备 GPU 服务器
- 02配置模型训练主机
- 03为多租户工作负载隔离 GPU 容量
- 04诊断驱动、温度或硬件问题
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ bagelhole/ devops-security-agent-skills --skill gpu-server-management安装后在 Claude Code 中输入/gpu-server-management确认已加载。
详细介绍
GPU 服务器管理
为 AI 推理和训练工作负载配置、设置并监控 NVIDIA GPU 服务器。
适用场景
在以下情况下使用此技能:
- 为 LLM 推理或模型训练搭建新的 GPU 服务器
- 安装或升级 NVIDIA 驱动和 CUDA toolkit
- 为 GPU 工作负载配置 Docker 和 NVIDIA Container Toolkit
- 使用 MIG 将 A100/H100 GPU 分区,以支持多租户工作负载
- 排查 GPU 错误、驱动问题或热降频
前提条件
- Ubuntu 22.04 LTS(推荐)或 RHEL 8/9
- NVIDIA GPU(推荐使用 A10G、A100、H100、RTX 4090 或 L40S)
- Root 或 sudo 访问权限
- 用于下载软件包的互联网连接
驱动安装(Ubuntu)
# Remove old drivers
sudo apt purge -y 'nvidia*' 'cuda*' 'libcuda*'
sudo apt autoremove -y
# Add NVIDIA package repository
distribution=$(. /etc/os-release; echo $ID$VERSION_ID)
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | \
sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \
sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt update
# Install latest driver (560.x as of 2025)
sudo apt install -y nvidia-driver-560 cuda-toolkit-12-6
# Install NVIDIA Container Toolkit (Docker GPU support)
sudo apt install -y nvidia-container-toolkit
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker
# Verify
nvidia-smi
nvcc --version
docker run --rm --gpus all nvidia/cuda:12.6.0-base-ubuntu22.04 nvidia-smi
安装后配置
# Enable persistence mode (reduces driver initialization latency)
sudo nvidia-smi -pm 1
# Set power limit (reduce heat/noise on inference servers)
sudo nvidia-smi -pl 350 # watts; check TDP for your GPU model
# Disable ECC on inference servers (frees ~6% VRAM, less safe)
sudo nvidia-smi --ecc-config=0 # requires reboot
# Enable P2P for multi-GPU NVLink training
sudo nvidia-smi topo -m # check NVLink topology
GPU 健康监控
# Real-time monitoring (like htop for GPUs)
watch -n 1 nvidia-smi
# Detailed stats
nvidia-smi --query-gpu=index,name,temperature.gpu,utilization.gpu,\
utilization.memory,memory.used,memory.free,power.draw,clocks.current.graphics \
--format=csv --loop=1
# DCGM — production monitoring daemon (for clusters)
sudo apt install -y datacenter-gpu-manager
sudo systemctl start dcgm
dcgmi discovery -l # list GPUs
dcgmi diag -r 1 # quick health check
dcgmi diag -r 3 # full diagnostic (takes ~20 min)
# Check GPU errors (XID errors — important for stability)
sudo dmesg | grep -i "NVRM\|nvidia\|XID"
nvidia-smi --query-gpu=ecc.errors.corrected.volatile.total \
--format=csv,noheader
Prometheus GPU 指标(DCGM Exporter)
# Deploy DCGM Exporter for Prometheus scraping
docker run -d \
--name dcgm-exporter \
--gpus all \
--cap-add SYS_ADMIN \
-p 9400:9400 \
--restart unless-stopped \
nvcr.io/nvidia/k8s/dcgm-exporter:latest
# Key metrics exposed:
# DCGM_FI_DEV_GPU_UTIL - GPU utilization %
# DCGM_FI_DEV_MEM_COPY_UTIL - Memory bandwidth utilization
# DCGM_FI_DEV_FB_USED - Framebuffer memory used (MB)
# DCGM_FI_DEV_SM_CLOCK - SM clock speed (MHz)
# DCGM_FI_DEV_GPU_TEMP - Temperature (°C)
# DCGM_FI_DEV_POWER_USAGE - Power draw (W)
# DCGM_FI_DEV_XID_ERRORS - XID error count (0 = healthy)
MIG 分区(A100/H100)
MIG(Multi-Instance GPU,多实例 GPU)可将一块 GPU 切分为多个相互隔离的小型 GPU。
# Enable MIG mode (requires reboot or restart of all processes)
sudo nvidia-smi -mig 1
sudo systemctl restart nvidia-persistenced
# List available MIG profiles (A100 80GB example)
nvidia-smi mig -lgip
# 1g.10gb — 1 slice, 10GB (max 7 instances)
# 2g.20gb — 2 slices, 20GB (max 3 instances)
# 3g.40gb — 3 slices, 40GB (max 2 instances)
# 7g.80gb — full GPU, 80GB (max 1 instance)
# Create MIG instances (e.g., 3× 2g.20gb + 1× 2g.20gb = multi-tenant)
sudo nvidia-smi mig -cgi 2g.20gb,2g.20gb,2g.20gb,2g.20gb -C
# List created instances
nvidia-smi mig -lgi
nvidia-smi mig -lcgi
# Use in Docker
docker run --gpus '"device=MIG-GPU-xxx/0/0"' ...
# Disable MIG
sudo nvidia-smi mig -i 0 -dci
sudo nvidia-smi mig -i 0 -dgi
sudo nvidia-smi -mig 0
GPU 服务器的内核和操作系统调优
# Increase file descriptor limits
echo '* soft nofile 1048576' | sudo tee -a /etc/security/limits.conf
echo '* hard nofile 1048576' | sudo tee -a /etc/security/limits.conf
# Disable transparent huge pages (reduces latency jitter)
echo never | sudo tee /sys/kernel/mm/transparent_hugepage/enabled
echo never | sudo tee /sys/kernel/mm/transparent_hugepage/defrag
# Persist via rc.local or systemd unit:
cat <<'EOF' | sudo tee /etc/rc.local
#!/bin/bash
echo never > /sys/kernel/mm/transparent_hugepage/enabled
echo never > /sys/kernel/mm/transparent_hugepage/defrag
nvidia-smi -pm 1
exit 0
EOF
sudo chmod +x /etc/rc.local
# PCIe performance mode
sudo nvidia-smi --auto-boost-default=0
sudo nvidia-smi --auto-boost-permission=0
多 GPU 拓扑检查
# Check NVLink and PCIe topology
nvidia-smi topo -m
# Output shows interconnect type:
# NV4 = NVLink 4.0 (H100 SXM)
# NV2 = NVLink 2.0 (A100 SXM)
# PHB = PCIe bus (slower; avoid for tensor parallel training)
# PIX = same PCIe switch (fast)
# Bandwidth test between GPUs
/usr/local/cuda/samples/bin/x86_64/linux/release/p2pBandwidthLatencyTest
常见问题
| 问题 | 原因 | 解决方法 |
|---|---|---|
nvidia-smi: command not found | 未安装驱动 | 按照上方的驱动安装步骤操作 |
| 驱动版本不匹配 | CUDA/驱动不兼容 | 在 developer.nvidia.com 查看兼容性矩阵 |
| GPU 温度 >85°C | 气流不畅或风扇故障 | 检查 nvidia-smi -q -d TEMPERATURE;重新安装散热器 |
| XID 79 错误 | GPU 硬件错误 | 运行 dcgmi diag -r 3;可能需要更换 GPU |
容器中出现 failed to open device | 未配置容器工具包 | 运行 nvidia-ctk runtime configure --runtime=docker |
| PCIe 带宽低 | 插槽错误或功率限制 | 检查 `nvidia-smi -q |
最佳实践
- 始终启用持久模式(
nvidia-smi -pm 1)——降低首次请求延迟。 - 监控 XID 错误;持续出现 XID 79/94 表示硬件故障。
- 训练时使用通过 NVLink 连接的 GPU;推理时通常使用 PCIe 即可。
- 设置 DCGM 告警,在温度超过 80°C 或功耗接近 TDP 时触发。
- 使用 MIG 进行多租户推理,为不同模型提供 GPU 隔离。
相关技能
- vllm-server - 在 GPU 上进行 LLM 推理
- llm-fine-tuning - GPU 训练设置
- linux-hardening - 保护主机操作系统
- prometheus-grafana - 指标仪表板
评论
支持 Markdown