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。