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。
核心事实
时间轴 (近 90 天)
NVIDIA的NVLink、GPU驱动及数据中心管理软件栈（如DCGM）为功率闭环控制提供基础设施支撑
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
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
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
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
全部知识事实 (8)
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
70%待验证DCGM Exporter能够暴露GPU温度、功耗、SM利用率、显存使用率、ECC错误计数、PCIe带宽等数十项硬件指标
90%待验证Fleet Intelligence的实时遥测能力建立在NVML和DCGM等底层监控技术之上
85%待验证NVIDIA的NVLink、GPU驱动及数据中心管理软件栈（如DCGM）为功率闭环控制提供基础设施支撑
50%待验证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
50%待验证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
50%待验证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
50%待验证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
50%