Tesla T4/A100单卡处理20路H.264解码+10路HEVC编码时，因NVDEC与NVENC负载差异超45%，实际吞吐仅达理论值62%；需用nvidia-smi验证双NVDEC启用，并通过FFmpeg设备索引或容器级CUDA_VISIBLE_DEVICES绑定实现引擎负载均衡。
当单张Tesla T4或A100显卡同时处理20路以上H.264解码+10路HEVC编码任务时，NVDEC与NVENC引擎实际负载差异可能超过45%，导致部分硬件单元空转而其他单元持续满载，转码吞吐量卡在理论值的62%左右。
确认当前GPU内各引擎的实际负载分布
先用nvidia-smi -q -d SUPPORTED_CLOCKS查看设备是否启用双NVDEC引擎（T4必须显示两个独立解码器条目）。
运行实时监控命令：nvidia-smi dmon -s u -d 1 -o DT，观察每秒输出中dec、enc两列数值——dec值持续高于85而enc低于30，说明解码侧已成瓶颈；反之则编码侧拖累整体。
【必须确保驱动版本≥535.129.03】，旧版驱动会将双NVDEC识别为单逻辑单元，导致负载始终集中在第一个引擎上。
强制绑定不同视频流到指定硬件引擎
方法一：FFmpeg层面按流指定设备索引
对前12路H.264流使用：-hwaccel cuda -hwaccel_device 0 -hwaccel_output_format cuda。
对后8路HEVC流强制走第二解码器：-hwaccel cuda -hwaccel_device 1 -hwaccel_output_format cuda。
注意：-hwaccel_device参数仅在FFmpeg 5.1+且CUDA驱动支持MPS隔离时生效，否则会静默回退到CPU软解。
方法二：通过NVIDIA Container Toolkit设置容器级设备映射
启动容器时添加--gpus device=0,1 --device=/dev/nvidia-uvm:/dev/nvidia-uvm:rwm，再在容器内用CUDA_VISIBLE_DEVICES=0,1控制进程可见性。
这一步必须配合nvidia-container-cli configure --ldconfig=@/usr/lib/x86_64-linux-gnu/ld.so.cache执行，否则容器内无法识别第二个NVDEC实例。
动态调节编解码任务配比策略
第一步：统计历史任务特征
用ffmpeg -i input.mp4 -vstats_file stats.log -f null - 生成帧级耗时报告，提取每个GOP的decode_time_ms与encode_time_ms比值。
第二步：按比值分组调度
① decode_time/encode_time ≥ 2.3 → 优先分配至NVDEC引擎0，编码任务延后触发；
② 1.1 ≤ 比值
③ 比值
第三步：实时反馈闭环
每30秒调用nvidia-smi --query-gpu=utilization.gpu,utilization.memory -x输出XML，解析dec/enc负载差值，若连续3次超过40%，自动触发任务重分发脚本。
