英偉達(dá)近日發(fā)布稱(chēng)，正在開(kāi)發(fā)用于可視化和監(jiān)測(cè)英偉達(dá)GPU集群的軟件解決方案，為云合作伙伴和企業(yè)提供洞察儀表板，幫助他們提高整個(gè)計(jì)算基礎(chǔ)設(shè)施的GPU正常運(yùn)行時(shí)間。

據(jù)了解，該服務(wù)由客戶(hù)選擇、自行安裝和控制，用于監(jiān)測(cè)GPU使用情況、配置和錯(cuò)誤。它將包含一個(gè)開(kāi)源客戶(hù)端軟件智能體，這是英偉達(dá)持續(xù)支持開(kāi)放、透明軟件的一部分，旨在幫助客戶(hù)最大限度的發(fā)揮其GPU系統(tǒng)的性能。

總體來(lái)看，這套工具是一個(gè)云端算力集群控制工具，有點(diǎn)類(lèi)似PC上的任務(wù)管理器?？蛻?hù)可以自行決定是否開(kāi)啟，服務(wù)由英偉達(dá)官網(wǎng)托管。未來(lái)這套工具會(huì)計(jì)劃開(kāi)源。

核心機(jī)制：客戶(hù)自主，只讀遙測(cè)

這項(xiàng)純軟件解決方案不由英偉達(dá)控制，用戶(hù)可自行安裝、配置和管理。它僅采集只讀遙測(cè)數(shù)據(jù)（如GPU使用、配置和錯(cuò)誤指標(biāo)），絕不修改GPU配置或底層運(yùn)行機(jī)制。通過(guò)客戶(hù)端軟件智能體，用戶(hù)可將節(jié)點(diǎn)級(jí)數(shù)據(jù)流式傳輸至儀表板，實(shí)現(xiàn)全球GPU集群的實(shí)時(shí)可視化——既支持整體狀態(tài)洞察，也可按計(jì)算區(qū)域（同一物理或云位置的節(jié)點(diǎn)組）細(xì)化查看。

英偉達(dá)承諾工具安全透明

英偉達(dá)這套工具的客戶(hù)端智能體計(jì)劃開(kāi)源，提供完整透明度和可審計(jì)性。英偉達(dá)重申GPU沒(méi)有硬件跟蹤技術(shù)，沒(méi)有GPU終止開(kāi)關(guān)也沒(méi)有后門(mén)。云端算力服務(wù)工具只能讀遙測(cè)數(shù)據(jù)，無(wú)法修改GPU配置或底層運(yùn)行機(jī)制。

預(yù)防算力集群瓶頸，提升用戶(hù)ROI

該軟件通過(guò)直觀儀表板，幫助運(yùn)營(yíng)商最大化GPU系統(tǒng)性能。數(shù)據(jù)中心運(yùn)營(yíng)商將能夠用這套工具能實(shí)時(shí)看到GPU“偷懶”或者不健康狀態(tài)，從而及時(shí)優(yōu)化GPU集群工作狀態(tài)。

具體包括：

性能檢測(cè)并實(shí)時(shí)優(yōu)化：追蹤功耗峰值、集群利用率、內(nèi)存帶寬及互連狀況，在不超出能耗預(yù)算的前提下最大化單位功耗性能。

故障預(yù)警：及早發(fā)現(xiàn)熱點(diǎn)、氣流問(wèn)題或異常錯(cuò)誤，避免過(guò)熱降頻和組件過(guò)早老化，延長(zhǎng)正常運(yùn)行時(shí)間。發(fā)現(xiàn)錯(cuò)誤和異常情況，及早發(fā)現(xiàn)故障部件。

一致性保障：確認(rèn)軟件配置和設(shè)置一致，以確保結(jié)果可復(fù)現(xiàn)以及運(yùn)行可靠。

所以這套工具的整體目標(biāo)，還是幫助客戶(hù)提升使用GPU集群的ROI。平時(shí)使用能讓GPU集群工作的更好，小問(wèn)題及時(shí)發(fā)現(xiàn)，避免影響數(shù)據(jù)中心運(yùn)營(yíng)商的業(yè)務(wù)受到影響。

關(guān)于檢測(cè)范圍。英偉達(dá)考慮到分布式GPU集群的趨勢(shì)，這套工具支持客戶(hù)全球GPU集群的整體狀態(tài)洞察。讓客戶(hù)不再是每個(gè)GPU集群都需要做一套性能監(jiān)測(cè)工具。