基础指标：Modelarts指标
介绍Modelarts通过Agent上报到AOM的指标。
|
指标类别 |
指标 |
指标名称 |
指标含义 |
取值范围 |
单位 |
|---|---|---|---|---|---|
|
CPU |
ma_container_cpu_util |
CPU使用率 |
该指标用于统计测量对象的CPU使用率。 |
0～100 |
百分比（%） |
|
ma_container_cpu_used_core |
CPU内核占用量 |
该指标用于统计测量对象已经使用的CPU核个数 |
≥0 |
核（Core） |
|
|
ma_container_cpu_limit_core |
CPU内核总量 |
该指标用于统计测量对象申请的CPU核总量。 |
≥1 |
核（Core） |
|
|
内存 |
ma_container_memory_capacity_megabytes |
内存总量 |
该指标用于统计测量对象申请的物理内存总量。 |
≥0 |
兆字节（MB） |
|
ma_container_memory_util |
物理内存使用率 |
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。 |
0～100 |
百分比（%） |
|
|
ma_container_memory_used_megabytes |
物理内存使用量 |
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=活跃的匿名页和缓存，以及file-baked页<=container_memory_usage_bytes）) |
≥0 |
兆字节（MB） |
|
|
存储IO |
ma_container_disk_read_kilobytes |
磁盘读取速率 |
该指标用于统计每秒从磁盘读出的数据量。 |
≥0 |
千字节/秒（kB/s） |
|
ma_container_disk_write_kilobytes |
磁盘写入速率 |
该指标用于统计每秒写入磁盘的数据量。 |
≥0 |
千字节/秒（kB/s） |
|
|
GPU显存 |
ma_container_gpu_mem_total_megabytes |
显存容量 |
该指标用于统计训练任务的显存容量。 |
>0 |
兆字节（MB） |
|
ma_container_gpu_mem_util |
显存使用率 |
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。 |
0～100 |
百分比（%） |
|
|
ma_container_gpu_mem_used_megabytes |
显存使用量 |
该指标用于统计测量对象已使用的显存。 |
≥0 |
兆字节（MB） |
|
|
GPU |
ma_container_gpu_util |
GPU使用率 |
该指标用于统计测量对象的GPU使用率。 |
0～100 |
百分比（%） |
|
ma_container_gpu_mem_copy_util |
GPU内存带宽利用率 |
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%。 |
0～100 |
百分比（%） |
|
|
ma_container_gpu_enc_util |
GPU编码器利用率 |
表示编码器利用率 |
0～100 |
百分比（%） |
|
|
ma_container_gpu_dec_util |
GPU解码器利用率 |
表示解码器利用率 |
0～100 |
百分比（%） |
|
|
DCGM_FI_DEV_GPU_TEMP |
GPU温度 |
表示GPU温度。 |
>0 |
摄氏度（℃） |
|
|
DCGM_FI_DEV_POWER_USAGE |
GPU功率 |
表示功率。 |
>0 |
瓦（W） |
|
|
DCGM_FI_DEV_MEMORY_TEMP |
内存温度 |
表示内存温度。 |
>0 |
摄氏度（℃） |
|
|
DCGM_FI_PROF_GR_ENGINE_ACTIVE |
Graphics Engine Activity |
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。 |
0~1.0 |
占比（Fraction） |
|
|
DCGM_FI_PROF_SM_OCCUPANCY |
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。 |
0~1.0 |
占比（Fraction） |
|
|
DCGM_FI_PROF_PIPE_TENSOR_ACTIVE |
Tensor Activity |
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。 |
0~1.0 |
占比（Fraction） |
|
|
DCGM_FI_PROF_DRAM_ACTIVE |
Memory BW Utilization |
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。 |
0~1.0 |
占比（Fraction） |
|
|
DCGM_FI_PROF_PIPE_FP16_ACTIVE |
FP16 Engine Activity |
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。 |
0~1.0 |
占比（Fraction） |
|
|
DCGM_FI_PROF_PIPE_FP32_ACTIVE |
FP32 Engine Activity |
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。 |
0~1.0 |
占比（Fraction） |
|
|
DCGM_FI_PROF_PIPE_FP64_ACTIVE |
FP64 Engine Activity |
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。 |
0~1.0 |
占比（Fraction） |
|
|
DCGM_FI_PROF_SM_ACTIVE |
SM Activity |
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。 |
0~1.0 |
占比（Fraction） |
|
|
DCGM_FI_PROF_PCIE_TX_BYTES DCGM_FI_PROF_PCIE_RX_BYTES |
PCIe Bandwidth |
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。 |
≥0 |
字节/秒（Byte/s） |
|
|
DCGM_FI_PROF_NVLINK_RX_BYTES DCGM_FI_PROF_NVLINK_TX_BYTES |
NVLink Bandwidth |
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。 |
≥0 |
字节/秒（Byte/s） |
|
|
网络IO |
ma_container_network_receive_bytes |
下行Bps |
该指标用于统计测试对象的入方向网络流速。 |
≥0 |
字节/秒（Byte/s） |
|
ma_container_network_receive_packets |
下行Pps |
每秒网卡接收的数据包个数。 |
≥0 |
个/秒（Packet/s） |
|
|
ma_container_network_receive_error_packets |
下行错包率 |
每秒网卡接收的错误包个数。 |
≥0 |
个/秒（Count/s） |
|
|
ma_container_network_transmit_bytes |
上行Bps |
该指标用于统计测试对象的出方向网络流速。 |
≥0 |
字节/秒（Byte/s） |
|
|
ma_container_network_transmit_error_packets |
上行错包率 |
每秒网卡发送的错误包个数。 |
≥0 |
个/秒（Count/s） |
|
|
ma_container_network_transmit_packets |
上行Pps |
每秒网卡发送的数据包个数。 |
≥0 |
个/秒（Packet/s） |
|
|
NPU |
ma_container_npu_util |
NPU使用率 |
该指标用于统计测量对象的NPU使用率。 |
0～100 |
百分比（%） |
|
ma_container_npu_memory_util |
NPU显存使用率 |
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（%） |
|
|
ma_container_npu_memory_used_megabytes |
NPU显存使用量 |
该指标用于统计测量对象已使用的NPU显存。 |
≥0 |
兆字节（MB） |
|
|
ma_container_npu_memory_total_megabytes |
NPU显存容量 |
该指标用于统计测量对象的NPU显存容量。 |
≥0 |
兆字节（MB） |
