摩尔线程数据中心GPU管理工具发布版本信息

MTDCGM v1.0.1

环境要求

处理器	处理器架构	操作系统	GPU	驱动和MUSA Toolkit版本	MTML 版本	MTBIOS版本
Intel	X86_64	Ubuntu 22.04.4	Mthreads Server GPU	KUAE 2.0	2.0.0	S4000 3.4.3

更改日志

新增功能

• 新增Device Monitor功能

  • API接口dcgmGetLatestValuesForFields、dcgmGetLatestValues、dcgmGetLatestValues_v2、dcgmGetValuesSince、dcgmGetValuesSince_v2、dcgmEntityGetLatestValues、dcgmEntitiesGetLatestValues等支持获取DCGM_FI_DEV_RETIRED_SBE(390)、DCGM_FI_DEV_RETIRED_DBE(391)、DCGM_FI_DEV_ECC_SBE_VOL_TOTAL(310)、DCGM_FI_DEV_ECC_DBE_VOL_TOTAL(311)、DCGM_FI_DEV_ECC_SBE_AGG_TOTAL(312)、DCGM_FI_DEV_ECC_DBE_AGG_TOTAL(313)、DCGM_FI_DEV_ECC_CURRENT(300) Field的值
  • API接口dcgmWatchFields和dcgmUnwatchFields支持监控和取消监控DCGM_FI_DEV_RETIRED_SBE(390)、DCGM_FI_DEV_RETIRED_DBE(391)、DCGM_FI_DEV_ECC_SBE_VOL_TOTAL(310)、DCGM_FI_DEV_ECC_DBE_VOL_TOTAL(311)、DCGM_FI_DEV_ECC_SBE_AGG_TOTAL(312)、DCGM_FI_DEV_ECC_DBE_AGG_TOTAL(313)、DCGM_FI_DEV_ECC_CURRENT(300)等Field
  • API接口dcgmUpdateAllFields支持更新DCGM_FI_DEV_RETIRED_SBE(390)、DCGM_FI_DEV_RETIRED_DBE(391)、DCGM_FI_DEV_ECC_SBE_VOL_TOTAL(310)、DCGM_FI_DEV_ECC_DBE_VOL_TOTAL(311)、DCGM_FI_DEV_ECC_SBE_AGG_TOTAL(312)、DCGM_FI_DEV_ECC_DBE_AGG_TOTAL(313)、DCGM_FI_DEV_ECC_CURRENT(300) Field的值
  • dcgmi 命令行工具的device monitor功能支持显示DCGM_FI_DEV_RETIRED_SBE(390)、DCGM_FI_DEV_RETIRED_DBE(391)、DCGM_FI_DEV_ECC_SBE_VOL_TOTAL(310)、DCGM_FI_DEV_ECC_DBE_VOL_TOTAL(311)、DCGM_FI_DEV_ECC_SBE_AGG_TOTAL(312)、DCGM_FI_DEV_ECC_DBE_AGG_TOTAL(313)、DCGM_FI_DEV_ECC_CURRENT(300) Field的值
  • DCGM_FI_DEV_XID_ERRORS(230) 新增上报ECC error counter overflow(0x02000004)、New retired page detected(0x02000005)、Page retire failed(0x02000006)、MUSA processor exception(0x01000005)、GPU hardware failure(0x01000006)、mtlink downgrade(0x07000004)、AXI error(0x02000007)、GPU out of memory allocation(0x02000008)等错误

• 新增GPU诊断功能

  • API接口dcgmActionValidate_v2 的级别3和级别4(DCGM_POLICY_VALID_SV_XLONG)支持targeted stress诊断
  • 新增API接口dcgmActionValidateFormatInfo，功能是PCIe诊断时以json字符串的格式输出带宽和时延信息
  • dcgmi 命令行工具的diagnostic功能的级别4新增targeted stress诊断
    • 支持自定义targeted stress(gflops)
    • 支持自定义测试时长(秒)

改进

• 优化dcgmi diag -r 2 -j的PCIe诊断信息输出
• XID升级至2.0版本
• 优化dcgmi信息显示格式
• 增加PCIe、memtest和targeted stress参数值校验

已修复问题

• 修复由于Ctrl+C中止运行中的memtest诊断导致core dump问题
• 修复MTDCGM中PCIe诊断中的p2p测试生成的log日志中musaDeviceDisablePeerAccess返回的error错误
• 修复PCIe带宽和时延诊断时显示的信息被截断问题

已知问题

• 无

不再支持的功能

• 无