CPU

CPU使用率

ma_container_cpu_util

该指标用于统计测量对象的CPU使用率。

百分比（Percent）

0～100%

CPU内核占用量

ma_container_cpu_used_core

该指标用于统计测量对象已经使用的CPU核个数

核（Core）

≥0

CPU内核总量

ma_container_cpu_limit_core

该指标用于统计测量对象申请的CPU核总量。

核（Core）

≥1

内存

内存总量

ma_container_memory_capacity_megabytes

该指标用于统计测量对象申请的物理内存总量。

兆字节（Megabytes）

≥0

物理内存使用率

ma_container_memory_util

该指标用于统计测量对象已使用内存占申请物理内存总量的百分比。

百分比（Percent）

0～100%

物理内存使用量

ma_container_memory_used_megabytes

该指标用于统计测量对象实际已经使用的物理内存(对应container_memory_working_set_bytes当前内存工作集（working set）使用量。（工作区内存使用量=活跃的匿名与和缓存，以及file-baked页<=container_memory_usage_bytes）)

兆字节（Megabytes）

≥0

存储

磁盘读取速率

ma_container_disk_read_kilobytes

该指标用于统计每秒从磁盘读出的数据量。

千字节/秒（Kilobytes/Second）

≥0

磁盘写入速率

ma_container_disk_write_kilobytes

该指标用于统计每秒写入磁盘的数据量。

千字节/秒（Kilobytes/Second）

≥0

GPU显存

显存容量

ma_container_gpu_mem_total_megabytes

该指标用于统计训练任务的显存容量。

兆字节（Megabytes）

>0

显存使用率

ma_container_gpu_mem_util

该指标用于统计测量对象已使用的显存占显存容量的百分比。

百分比（Percent）

0～100%

显存使用量

ma_container_gpu_mem_used_megabytes

该指标用于统计测量对象已使用的显存。

兆字节（Megabytes）

≥0

GPU

GPU使用率

ma_container_gpu_util

该指标用于统计测量对象的GPU使用率。

百分比（Percent）

0～100%

GPU内存带宽利用率

ma_container_gpu_mem_copy_util

表示内存带宽利用率。以英伟达GPU V100为例，其最大内存带宽为900 GB/sec，如果当前的内存带宽为450 GB/sec，则内存带宽利用率为50%。

百分比（Percent）

0～100%

GPU编码器利用率

ma_container_gpu_enc_util

表示编码器利用率

百分比（Percent）

%

GPU解码器利用率

ma_container_gpu_dec_util

表示解码器利用率

百分比（Percent）

%

网络IO

下行Bps

ma_container_network_receive_bytes

该指标用于统计测试对象的入方向网络流速。

字节/秒（Bytes/Second）

≥0

下行Pps

ma_container_network_receive_packets

每秒网卡接收的数据包个数。

个/秒（Packets/Second）

≥0

下行错包率

ma_container_network_receive_error_packets

每秒网卡接收的错误包个数。

个/秒（Packets/Second）

≥0

上行Bps

ma_container_network_transmit_bytes

该指标用于统计测试对象的出方向网络流速。

字节/秒（Bytes/Second）

≥0

上行错包率

ma_container_network_transmit_error_packets

每秒网卡发送的错误包个数。

个/秒（Packets/Second）

≥0

上行Pps

ma_container_network_transmit_packets

每秒网卡发送的数据包个数。

个/秒（Packets/Second）

≥0

NPU

NPU使用率

ma_container_npu_util

该指标用于统计测量对象的NPU使用率。

0～100%

百分比（Percent）

NPU显存使用率

ma_container_npu_memory_util

该指标用于统计测量对象已使用的NPU显存占NPU存储容量的百分比。

0～100%

百分比（Percent）

NPU显存使用量

ma_container_npu_memory_used_megabytes

该指标用于统计测量对象已使用的NPU显存。

≥0

兆字节（Megabytes）

NPU显存容量

ma_container_npu_memory_total_megabytes

该指标用于统计测量对象的NPU显存容量。

>0

兆字节（Megabytes）

CPU

CPU内核总量

ma_node_cpu_limit_core

该指标用于统计测量对象申请的CPU核总量。

核（Core）

≥1

CPU内核占用

ma_node_cpu_used_core

该指标用于统计测量对象已经使用的CPU核数。

核（Core）

≥0

CPU使用率

ma_node_cpu_util

该指标用于统计测量对象的CPU使用率。

百分比（Percent）

0～100%

内存

物理内存使用率

ma_node_memory_util

该指标用于统计测量对象已使用内存占申请物理内存总量的百分比。

百分比（Percent）

0～100%

物理内存容量

ma_node_memory_total_megabytes

该指标用于统计测量申请的物理内存总量。

兆字节（Megabytes）

≥0

网络IO

下行Bps

ma_node_network_receive_rate_bytes_seconds

该指标用于统计测试对象的入方向网络流速。

字节/秒（Bytes/Second）

≥0

上行Bps

ma_node_network_transmit_rate_bytes_seconds

该指标用于统计测试对象的出方向网络流速。

字节/秒（Bytes/Second）

≥0

存储

磁盘读取速率

ma_node_disk_read_rate_kilobytes_seconds

该指标用于统计每秒从磁盘读出的数据量。只考虑被容器使用的数据盘。

千字节/秒（Kilobytes/Second）

≥0

磁盘写入速率

ma_node_disk_write_rate_kilobytes_seconds

该指标用于统计每秒写入磁盘的数据量。只考虑被容器使用的数据盘。

千字节/秒（Kilobytes/Second）

≥0

cache空间的总量

ma_node_cache_space_capacity_megabytes

该指标用于统计k8s空间的总容量。

兆字节（Megabytes）

≥0

cache空间的使用量

ma_node_cache_space_used_capacity_megabytes

该指标用于统计k8s空间的使用量。

兆字节（Megabytes）

≥0

容器空间的总量

ma_node_container_space_capacity_megabytes

该指标用于统计容器空间的总容量。

兆字节（Megabytes）

≥0

容器空间的使用量

ma_node_container_space_used_capacity_megabytes

该指标用于统计容器空间的使用量。

兆字节（Megabytes）

≥0

GPU

GPU使用率

ma_node_gpu_util

该指标用于统计测量对象的GPU使用率。

百分比（Percent）

0～100%

显存容量

ma_node_gpu_mem_total_megabytes

该指标用于统计测量对象的显存容量。

兆字节（Megabytes）

>0

显存使用率

ma_node_gpu_mem_util

该指标用于统计测量对象已使用的显存占显存容量的百分比。

百分比（Percent）

0～100%

显存使用量

ma_node_gpu_mem_used_megabytes

该指标用于统计测量对象已使用的显存。

兆字节（Megabytes）

≥0

共享GPU任务运行数据

node_gpu_share_job_count

针对一个GPU卡，当前运行的共享资源使用的任务数量。

个

≥0

NPU

NPU使用率

ma_node_npu_util

该指标用于统计测量对象的NPU使用率。

百分比（Percent）

0～100%

NPU显存使用率

ma_node_npu_memory_util

该指标用于统计测量对象已使用的NPU显存占NPU存储容量的百分比。

百分比（Percent）

0～100%

NPU显存使用量

ma_node_npu_memory_used_megabytes

该指标用于统计测量对象已使用的NPU显存。

兆字节（Megabytes）

≥0

NPU显存容量

ma_node_npu_memory_total_megabytes

该指标用于统计测量对象的NPU显存容量。

兆字节（Megabytes）

>0

infiniband或RoCE网络

网卡接收数据总量

ma_node_infiniband_port_received_data_bytes_total

The total number of data octets, divided by 4, (counting in double words, 32 bits), received on all VLs from the port.

(counting in double words, 32 bits

≥0

网卡发送数据总量

ma_node_infiniband_port_transmitted_data_bytes_total

The total number of data octets, divided by 4, (counting in double words, 32 bits), transmitted on all VLs from the port.

(counting in double words, 32 bits

≥0

GPU

GPU温度

DCGM_FI_DEV_GPU_TEMP

表示GPU温度。

摄氏度（C）

自然数

GPU功率

DCGM_FI_DEV_POWER_USAGE

表示功率。

瓦（W）

自然数

内存温度

DCGM_FI_DEV_MEMORY_TEMP

表示内存温度。

摄氏度（C）

自然数

Graphics Engine Activity

DCGM_FI_PROF_GR_ENGINE_ACTIVE

表示在一个时间间隔内，Graphics或Compute引擎处于Active的时间占比。该值表示所有Graphics和Compute引擎的平均值。Graphics或Compute引擎处于Active是指Graphics或Compute Context绑定到线程，并且Graphics或Compute Context处于Busy状态。

占比（Fraction）

0~1.0

SM Occupancy

DCGM_FI_PROF_SM_OCCUPANCY

表示在一个时间间隔内，驻留在SM上的线程束与该SM最大可驻留线程束的比例。

该值表示一个时间间隔内的所有SM的平均值。

占用率越高不代表GPU使用率越高。只有在GPU内存带宽受限的工作负载（DCGM_FI_PROF_DRAM_ACTIVE）情况下，更高的占用率表示更有效的GPU使用率。

占比（Fraction）

0~1.0

Tensor Activity

DCGM_FI_PROF_PIPE_TENSOR_ACTIVE

表示Tensor（HMMA/IMMA） Pipe处于Active状态的周期分数。

该值表示一个时间间隔内的平均值，而不是瞬时值。

较高的值表示Tensor Cores的利用率较高。

该值为1（100%）表示在整个时间间隔内每隔一个指令周期发出一个Tensor指令（两个周期完成一条指令）。

假设该值为0.2（20%），可能有如下情况：

在整个时间间隔内，有20%的SM的Tensor Core以100%的利用率运行。

在整个时间间隔内，有100%的SM的Tensor Core以20%的利用率运行。

在整个时间间隔的1/5时间内，有100%的SM上的Tensor Core以100%利用率运行。

其他组合模式。

占比（Fraction）

0~1.0

Memory BW Utilization

DCGM_FI_PROF_DRAM_ACTIVE

表示在一个时间间隔内，向设备内存发送数据或者从设备内存接收数据的时间占比。

该值表示一个时间间隔内的平均值，而不是瞬时值。

较高的值表示设备内存的利用率较高。

该值为1（100%）表示在整个时间间隔内每个周期执行一次DRAM指令（实际上，约0.8(80%）的峰值是可达到的最大峰值)。

假设该值为0.2 (20%)表示在时间间隔内，有20%的周期从设备内存读取或写入设备内存。

占比（Fraction）

0~1.0

FP16 Engine Activity

DCGM_FI_PROF_PIPE_FP16_ACTIVE

表示FP16（半精度）管道处于Active的周期分数。

该值表示一个时间间隔内的平均值，而不是瞬时值。

较高的值代表FP16 Cores有较高的利用率。

该值为 1 (100%) 表示在整个时间间隔内上每两个周期（Volta类型卡为例）执行一次FP16指令。

假设该值为0.2（20%），可能有如下情况：

在整个时间间隔内，有20%的SM的FP16 Core以100%的利用率运行。

在整个时间间隔内，有100%的SM的FP16 Core以20%的利用率运行。

在整个时间间隔的1/5时间内，有100%的SM上的FP16 Core以100%利用率运行。

其他组合模式。

占比（Fraction）

0~1.0

FP32 Engine Activity

DCGM_FI_PROF_PIPE_FP32_ACTIVE

表示乘加操作FMA（Fused Multiply-Add）管道处于Active的周期分数，乘加操作包括FP32（单精度）和整数。

该值表示一个时间间隔内的平均值，而不是瞬时值。

较高的值代表FP32 Cores有较高的利用率。

该值为1（100%）表示在整个时间间隔内上每两个周期（Volta类型卡为例）执行一次FP32指令。

假设该值为0.2（20%），可能有如下情况：

在整个时间间隔内，有20%的SM的FP32 Core以100%的利用率运行。

在整个时间间隔内，有100%的SM的FP32 Core以20%的利用率运行。

在整个时间间隔的1/5时间内，有100%的SM上的FP32 Core以100%利用率运行。

其他组合模式。

占比（Fraction）

0~1.0

FP64 Engine Activity

DCGM_FI_PROF_PIPE_FP64_ACTIVE

表示FP64（双精度）Pipe处于Active状态的周期分数。

该值表示一个时间间隔内的平均值，而不是瞬时值。

较高的值代表FP64 Cores有较高的利用率。

该值为 1（100%）表示在整个时间间隔内上每四个周期（以Volta类型卡为例）执行一次FP64指令。

假设该值为0.2（20%），可能有如下情况：

在整个时间间隔内，有20%的SM的FP64 Core以100%的利用率运行。

在整个时间间隔内，有100%的SM的FP64 Core以20%的利用率运行。

在整个时间间隔的1/5时间内，有100%的SM上的FP64 Core以100%利用率运行。

其他组合模式。

占比（Fraction）

0~1.0

SM Activity

DCGM_FI_PROF_SM_ACTIVE

表示在一个时间间隔内，至少一个线程束在一个SM（Streaming Multiprocessor）上处于Active的时间占比。

该值表示所有SM的平均值，且该值对每个块的线程数不敏感。

线程束处于Active是指一个线程束被调度且分配资源后的状态，可能是在Computing、也可能是非Computing状态（例如等待内存请求）。

该值小于0.5表示未高效利用GPU，大于0.8是必要的。

假设一个GPU有N个SM：

一个核函数在整个时间间隔内使用N个线程块运行在所有的SM上，此时该值为1（100%）。

一个核函数在一个时间间隔内运行N/5个线程块，此时该值为0.2。

一个核函数使用N个线程块，在一个时间间隔内，仅运行了1/5个周期的时间，此时该值为0.2。

占比（Fraction）

0~1.0

PCIe Bandwidth

DCGM_FI_PROF_PCIE_TX_BYTES

DCGM_FI_PROF_PCIE_RX_BYTES

表示通过PCIe总线传输/接收的数据速率，包括协议标头和数据有效负载。

该值表示一个时间间隔内的平均值，而不是瞬时值。

该速率在时间间隔内平均。例如，在1秒内传输1 GB数据，则无论以恒定速率还是突发传输数据，速率都是1 GB/s。理论上的最大PCIe Gen3带宽为每通道985 MB/s。

字节/秒

（Bytes/

Second）

≥0

NVLink Bandwidth

DCGM_FI_PROF_NVLINK_RX_BYTES

DCGM_FI_PROF_NVLINK_TX_BYTES

表示通过NVLink传输/接收的数据速率，不包括协议标头。

该值表示一个时间间隔内的平均值，而不是瞬时值。

该速率在时间间隔内平均。例如，在1秒内传输1 GB数据，则无论以恒定速率还是突发传输数据，速率都是1 GB/s。理论上，最大NVLink Gen2带宽为每个方向每个链路25 GB/s。

字节/秒

（Bytes/

Second）

≥0

infiniband或RoCE网络

PortXmitData

infiniband_port_xmit_data_total

The total number of data octets, divided by 4, (counting in double words, 32 bits), transmitted on all VLs from the port.

计数值

自然数

PortRcvData

infiniband_port_rcv_data_total

The total number of data octets, divided by 4, (counting in double words, 32 bits), received on all VLs from the port.

计数值

自然数

SymbolErrorCounter

infiniband_symbol_error_counter_total

Total number of minor link errors detected on one or more physical lanes.

计数值

自然数

LinkErrorRecoveryCounter

infiniband_link_error_recovery_counter_total

Total number of times the Port Training state machine has successfully completed the link error recovery process.

计数值

自然数

PortRcvErrors

infiniband_port_rcv_errors_total

Total number of packets containing errors that were received on the port including:

Local physical errors (ICRC, VCRC, LPCRC, and all physical errors that cause entry into the BAD PACKET or BAD PACKET DISCARD states of the packet receiver state machine)

Malformed data packet errors (LVer, length, VL)

Malformed link packet errors (operand, length, VL)

Packets discarded due to buffer overrun (overflow)

计数值

自然数

LocalLinkIntegrityErrors

infiniband_local_link_integrity_errors_total

This counter indicates the number of retries initiated by a link transfer layer receiver.

计数值

自然数

PortRcvRemotePhysicalErrors

infiniband_port_rcv_remote_physical_errors_total

Total number of packets marked with the EBP delimiter received on the port.

计数值

自然数

PortRcvSwitchRelayErrors

infiniband_port_rcv_switch_relay_errors_total

Total number of packets received on the port that were discarded when they could not be forwarded by the switch relay for the following reasons:

DLID mapping

VL mapping

Looping (output port = input port)

计数值

自然数

PortXmitWait

infiniband_port_transmit_wait_total

The number of ticks during which the port had data to transmit but no data was sent during the entire tick (either because of insufficient credits or because of lack of arbitration).

计数值

自然数

PortXmitDiscards

infiniband_port_xmit_discards_total

Total number of outbound packets discarded by the port because the port is down or congested.

计数值

自然数

容器级别指标

modelarts_service

容器属于哪个服务，包含notebook，train和infer。

instance_name

容器所属pod的名字。

service_id

页面展示的实例或者job id。如开发环境为：cf55829e-9bd3-48fa-8071-7ae870dae93a，

训练作业为：9f322d5a-b1d2-4370-94df-5a87de27d36e

node_ip

容器所属的节点IP值。

container_id

容器ID。

cid

集群ID。

container_name

容器名称。

project_id

用户所属的账号的project id。

npu_id

昇腾卡的ID信息，比如davinci0。

gpu_uuid

容器使用的GPU的UUID。

node级别指标

cid

该node所属CCE集群的ID。

node_ip

节点的IP。

pool_id

物理专属池对应的资源池ID。

project_id

物理专属池的用户的project id。

npu_id

昇腾卡的ID信息，比如davinci0。

gpu_uuid

节点上GPU的UUID。

device_name

infiniband或RoCE网络网卡的设备名称。

Profiling和Diagnos

cid

GPU所在节点所属的CCE集群ID。

node_ip

GPU所在节点的IP。

pool_id

物理专属池对应的资源池ID。

project_id

物理专属池的用户的project id。

gpu_uuid

GPU的UUID。

device_name

infiniband或RoCE网络网卡的设备名称。