ProductNVIDIA DCGM / Data Center GPU Manager
DCGM
DCGM（Data Center GPU Manager）是NVIDIA推出的一套面向数据中心环境的GPU集群管理软件框架。它为系统管理员和运维人员提供GPU健康监控、性能指标采集、故障诊断、策略管理及作业调度等功能，支持通过API与主流集群管理和监控平台（如Kubernetes、Prometheus）集成，适用于大规模GPU服务器的统一运维管理场景。
Core Facts
Timeline (last 90 days)
Sep 3
DCGM由后台守护进程nv-hostengine和客户端库组成，守护进程通过NVML和CUPTI与GPU硬件通信
Unverified50%
Sep 3
DCGM 3.x版本引入了性能计数器复用（counter multiplexing）能力来部分缓解计数器互斥限制
Unverified50%
Sep 3
DCGM的Profiling级别指标（以DCGM_FI_PROF_前缀标识）需要使用GPU硬件性能计数器，可能与某些第三方Profiling工具产生互斥
Unverified50%
Sep 3
GKE托管方案归因正确但利用率指标误导且无法升级，自建DCGM默认归因错误但利用率诚实且可配置
Unverified50%
All Facts (5)
Verified
DCGM（Data Center GPU Manager）是NVIDIA提供的GPU管理和监控工具，广泛用于数据中心环境
65%UnverifiedDCGM由后台守护进程nv-hostengine和客户端库组成，守护进程通过NVML和CUPTI与GPU硬件通信
50%UnverifiedDCGM 3.x版本引入了性能计数器复用（counter multiplexing）能力来部分缓解计数器互斥限制
50%UnverifiedDCGM的Profiling级别指标（以DCGM_FI_PROF_前缀标识）需要使用GPU硬件性能计数器，可能与某些第三方Profiling工具产生互斥
50%UnverifiedGKE托管方案归因正确但利用率指标误导且无法升级，自建DCGM默认归因错误但利用率诚实且可配置
50%