讲师中心 微信公众号

工具推荐

视频效率加速
Seko
Seko

AI短剧一键生成成片

立刻MV
立刻MV

低成本歌曲 MV、视频生成

Laper
Laper

剧本策划到成片协作

updream

一键生成高质量推广成片

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

发布时间:2026-11-17 05:08:48

|

435人浏览过

|

来源于php中文网

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:

  • 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)

热门AI工具

更多
讯飞智作

讯飞智作是一款AI视频创作工具,AI文本配音工具,数字人课程、营销视频制作。

PixPix
PixPix Hot

PixPix是一款面向电商视觉生产的AI商品图生成工具。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

创客贴AI

创客贴AI是一款AI图像与设计工具,AI辅助的智能在线设计工具。

码上飞
码上飞 Hot

一款基于自然语言的AI应用开发平台,可根据用户描述自动生成应用程序,帮助个人和团队快速完成应用原型与开发。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

咔片AIPPT

一款在线AI演示文稿制作工具,可根据主题和内容需求辅助生成PPT结构与页面,提高演示材料制作效率。

切问学术

切问学术是一款AI论文写作工具,复旦大学NLP团队推出的AI学术智能体。

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。

457

2023.08.15

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。

1000

2023.09.08

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。

3672

2023.09.19

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。

1196

2023.10.09

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。

1069

2023.10.17

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。

554

2023.10.17

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。

3396

2023.10.18

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。

6452

2023.10.20

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

140

2026.11.12

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
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn