我们使用机器学习技术将英文博客翻译为简体中文。您可以点击导航栏中的“中文（简体）”切换到英文版本。
优化亚马逊 EC2 上人工智能/机器学习工作负载的 GPU 利用率
这篇博客文章由开发运营顾问 Ben Minahan 和机器学习工程师 Amir Sotoodeh 撰写。
机器学习工作负载可能非常昂贵，而人工智能/机器学习 (AI/ML) 团队可能很难跟踪和保持有效的资源利用率。机器学习工作负载通常会广泛使用 GPU，因此，在系统性能方面，CPU、内存和磁盘使用率等典型的应用程序性能指标并不能反映出全貌。此外，数据科学家还会在符合其独特规格的现有计算实例上进行长期实验和模型训练活动。强迫这些实验在新配置的基础设施上安装适当的监控系统可能不是一个可行的选择。
在这篇文章中，我们描述了如何跟踪所有 AI/ML 工作负载的 GPU 利用率，并实现准确的容量规划，而无需团队使用自定义
概述
首先，确保您的现有
- 在您现有的支持 GPU 的 EC2 实例上安装 CloudWatch 代理。
- 您的 CloudWatch 代理配置存储在系统管理器参数存储中。
- 系统管理员文档用于在您的 EC2 实例上安装和配置 CloudWatch 代理。
- GPU 指标发布到 CloudWatch，然后您可以通过 CloudWatch 控制面板对其进行可视化。
先决条件
这篇文章假设您的 亚马逊云科技 账户中已经运行了支持 GPU 的 EC2 工作负载。如果 EC2 实例没有任何 GPU，则自定义配置将不会应用于 CloudWatch 代理。而是使用默认配置。对于这些实例，利用 CloudWatch 代理的默认配置更适合跟踪资源利用率。
为了让 CloudWatch 代理收集您的实例的 GPU 指标，必须在您的实例上安装适当的 NVIDIA 驱动程序。包括深度学习 AMI 在内的几个 亚马逊云科技 官方 AMI 已经安装了这些驱动程序。要查看预装了 NVIDIA 驱动程序的 AMI 列表以及基于 Linux 的实例的完整安装说明，请参阅在 Linux 实例
此外，部署和管理 CloudWatch 代理需要实例处于运行状态。如果您的实例当前已停止，则必须按照本文中概述的说明启动实例。
准备您的 EC2 实例
您使用系统管理器来部署 CloudWatch 代理，因此请确保您的 EC2 实例安装了系统管理器代理。许多 亚马逊云科技 提供的 AMI 已经安装了系统管理器代理。有关预装了系统管理器代理的 AMI 的完整列表，请参阅预装了
安装后，CloudWatch 代理需要一定的权限才能接受来自系统管理器的命令、读取系统管理器参数存储条目以及向 CloudWatch 发布指标。
aws iam create-role --role-name CloudWatch-Agent-Role --assume-role-policy-document '{"Statement":{"Effect":"Allow","Principal":{"Service":"ec2.amazonaws.com"},"Action":"sts:AssumeRole"}}'
aws iam attach-role-policy --role-name CloudWatch-Agent-Role --policy-arn arn:aws:iam::aws:policy/service-role/AmazonEC2RoleforSSM
aws iam attach-role-policy --role-name CloudWatch-Agent-Role --policy-arn arn:aws:iam::aws:policy/AmazonSSMReadOnlyAccess
aws iam attach-role-policy --role-name CloudWatch-Agent-Role --policy-arn arn:aws:iam::aws:policy/CloudWatchAgentServerPolicy
aws iam create-instance-profile --instance-profile-name CloudWatch-Agent-Instance-Profile
aws iam add-role-to-instance-profile --instance-profile-name CloudWatch-Agent-Instance-Profile --role-name CloudWatch-Agent-Role
aws ec2 associate-iam-instance-profile --region <REGION_NAME> --instance-id <INSTANCE_ID> --iam-instance-profile Name=CloudWatch-Agent-Instance-Profile
或者，您可以将 IAM 策略附加到与现有 IAM 实例配置文件关联的现有 IAM 角色。
aws iam attach-role-policy --role-name <ROLE_NAME> --policy-arn arn:aws:iam::aws:policy/service-role/AmazonEC2RoleforSSM
aws iam attach-role-policy --role-name <ROLE_NAME> --policy-arn arn:aws:iam::aws:policy/AmazonSSMReadOnlyAccess
aws iam attach-role-policy --role-name <ROLE_NAME> --policy-arn arn:aws:iam::aws:policy/CloudWatchAgentServerPolicy
aws ec2 associate-iam-instance-profile --region <REGION_NAME> --instance-id <INSTANCE_ID> --iam-instance-profile Name=<INSTANCE_PROFILE>
完成后，您应该看到您的 EC2 实例与相应的 IAM 角色相关联。
此角色应附加 Amazon ec2RoleforSSM 、AmazonsmReadonlyAccess 和 CloudWatch A gent 服务器政策 IAM 政策。
配置和部署 CloudWatch 代理
在我们的 EC2 实例上部署 CloudWatch 代理之前，请确保这些代理已正确配置以收集 GPU 指标。为此，您必须创建 CloudWatch 代理配置并将其存储在系统管理器参数存储中。
将以下内容复制到 cloudwatch-agent-config.json 文件中：
{
"agent": {
"metrics_collection_interval": 60,
"run_as_user": "cwagent"
},
"metrics": {
"aggregation_dimensions": [
[
"InstanceId"
]
],
"append_dimensions": {
"AutoScalingGroupName": "${aws:AutoScalingGroupName}",
"ImageId": "${aws:ImageId}",
"InstanceId": "${aws:InstanceId}",
"InstanceType": "${aws:InstanceType}"
},
"metrics_collected": {
"cpu": {
"measurement": [
"cpu_usage_idle",
"cpu_usage_iowait",
"cpu_usage_user",
"cpu_usage_system"
],
"metrics_collection_interval": 60,
"resources": [
"*"
],
"totalcpu": false
},
"disk": {
"measurement": [
"used_percent",
"inodes_free"
],
"metrics_collection_interval": 60,
"resources": [
"*"
]
},
"diskio": {
"measurement": [
"io_time"
],
"metrics_collection_interval": 60,
"resources": [
"*"
]
},
"mem": {
"measurement": [
"mem_used_percent"
],
"metrics_collection_interval": 60
},
"swap": {
"measurement": [
"swap_used_percent"
],
"metrics_collection_interval": 60
},
"nvidia_gpu": {
"measurement": [
"utilization_gpu",
"temperature_gpu",
"utilization_memory",
"fan_speed",
"memory_total",
"memory_used",
"memory_free",
"pcie_link_gen_current",
"pcie_link_width_current",
"encoder_stats_session_count",
"encoder_stats_average_fps",
"encoder_stats_average_latency",
"clocks_current_graphics",
"clocks_current_sm",
"clocks_current_memory",
"clocks_current_video"
],
"metrics_collection_interval": 60
}
}
}
}
运行以下 亚马逊云科技 CLI 命令来部署系统管理器参数 C loudwatch-Agent-config， 其中包含用于 GPU 指标收集的最低代理配置。替换
aws ssm put-parameter \
--region <REGION_NAME> \
--name CloudWatch-Agent-Config \
--type String \
--value file://cloudwatch-agent-config.json
现在，您可以在系统管理器参数存储中看到 CloudWatch Agent-config 参数，其中包含您的 CloudWatch 代理的 JSON 配置。
接下来，在您的 EC2 实例上安装 CloudWatch 代理。为此，你可以利用 Systems Manager 运行命令，特别是自动安装 CloudWatch 代理的 亚马逊云科技-ConfigureawsPackage 文档。
- 运行以下 亚马逊云科技 CLI 命令，
替换为部署实例的区域，以及 要在其上安装 CloudWatch 代理的 EC2 实例 ID。
aws ssm send-command \
--query 'Command.CommandId' \
--region <REGION_NAME> \
--instance-ids <INSTANCE_ID> \
--document-name AWS-ConfigureAWSPackage \
--parameters '{"action":["Install"],"installationType":["In-place update"],"version":["latest"],"name":["AmazonCloudWatchAgent"]}' 2。要监控命令的状态，请使用 get-command-invocation 亚马逊云科技 CLI 命令。
aws ssm get-command-invocation --query Status --region <REGION_NAME> --command-id <COMMAND_ID> --instance-id <INSTANCE_ID>3. 等待命令显示 “ 成功 ” 状态后 再继续。
$ aws ssm send-command \
--query 'Command.CommandId' \
--region us-east-2 \
--instance-ids i-0123456789abcdef \
--document-name AWS-ConfigureAWSPackage \
--parameters '{"action":["Install"],"installationType":["Uninstall and reinstall"],"version":["latest"],"additionalArguments":["{}"],"name":["AmazonCloudWatchAgent"]}'
"5d8419db-9c48-434c-8460-0519640046cf"
$ aws ssm get-command-invocation --query Status --region us-east-2 --command-id 5d8419db-9c48-434c-8460-0519640046cf --instance-id i-0123456789abcdef
"Success"对要在其上安装 CloudWatch 代理的所有 EC2 实例重复此过程。
接下来，配置 CloudWatch 代理的安装。为此，再次利用系统管理器运行命令。但是，这次应用您的自定义 代理配置的 AmazonCloudwatch-ManageAgent 文档存储在系统管理 器参数存储库中，供您部署的代理使用。
- 运行以下 亚马逊云科技 CLI 命令，
替换为部署实例的区域，以及 要在其上配置 CloudWatch 代理的 EC2 实例 ID。
aws ssm send-command \
--query 'Command.CommandId' \
--region <REGION_NAME> \
--instance-ids <INSTANCE_ID> \
--document-name AmazonCloudWatch-ManageAgent \
--parameters '{"action":["configure"],"mode":["ec2"],"optionalConfigurationSource":["ssm"],"optionalConfigurationLocation":["/CloudWatch-Agent-Config"],"optionalRestart":["yes"]}' 2。要监控命令的状态，请使用 get-command-invocation 亚马逊云科技 CLI 命令。
aws ssm get-command-invocation --query Status --region <REGION_NAME> --command-id <COMMAND_ID> --instance-id <INSTANCE_ID>3。等待命令显示成功状态后再继续。
$ aws ssm send-command \
--query 'Command.CommandId' \
--region us-east-2 \
--instance-ids i-0123456789abcdef \
--document-name AmazonCloudWatch-ManageAgent \
--parameters '{"action":["configure"],"mode":["ec2"],"optionalConfigurationSource":["ssm"],"optionalConfigurationLocation":["/CloudWatch-Agent-Config"],"optionalRestart":["yes"]}'
"9a4a5c43-0795-4fd3-afed-490873eaca63"
$ aws ssm get-command-invocation --query Status --region us-east-2 --command-id 9a4a5c43-0795-4fd3-afed-490873eaca63 --instance-id i-0123456789abcdef
"Success"对要在其上安装 CloudWatch 代理的所有 EC2 实例重复此过程。完成后，CloudWatch 代理的安装和配置即告完成，您的 EC2 实例现在会向 CloudWatch 报告 GPU 指标。
在 CloudWatch 中可视化实例的 GPU 指标
现在，启用 GPU 的 EC2 实例已将其利用率指标发布到 CloudWatch，您可以对这些指标进行可视化和分析，以更好地了解您的资源利用模式。
CloudWatch 代理收集的 GPU 指标位于 C W Agent 命名空间内。使用
-
将以下内容复制到名为 cloudwatch-dashboard.json 的文件中 ，将的实例替换为您的区域：
{
"widgets": [
{
"height": 10,
"width": 24,
"y": 16,
"x": 0,
"type": "metric",
"properties": {
"metrics": [
[{"expression": "SELECT AVG(nvidia_smi_utilization_gpu) FROM SCHEMA(\"CWAgent\", InstanceId) GROUP BY InstanceId","id": "q1"}]
],
"view": "timeSeries",
"stacked": false,
"region": "<REGION_NAME>",
"stat": "Average",
"period": 300,
"title": "GPU Core Utilization",
"yAxis": {
"left": {"label": "Percent","max": 100,"min": 0,"showUnits": false}
}
}
},
{
"height": 7,
"width": 8,
"y": 0,
"x": 0,
"type": "metric",
"properties": {
"metrics": [
[{"expression": "SELECT AVG(nvidia_smi_utilization_gpu) FROM SCHEMA(\"CWAgent\", InstanceId)", "label": "Utilization","id": "q1"}]
],
"view": "gauge",
"stacked": false,
"region": "<REGION_NAME>",
"stat": "Average",
"period": 300,
"title": "Average GPU Core Utilization",
"yAxis": {"left": {"max": 100, "min": 0}
},
"liveData": false
}
},
{
"height": 9,
"width": 24,
"y": 7,
"x": 0,
"type": "metric",
"properties": {
"metrics": [
[{ "expression": "SEARCH(' MetricName=\"nvidia_smi_memory_used\" {\"CWAgent\", InstanceId} ', 'Average')", "id": "m1", "visible": false }],
[{ "expression": "SEARCH(' MetricName=\"nvidia_smi_memory_total\" {\"CWAgent\", InstanceId} ', 'Average')", "id": "m2", "visible": false }],
[{ "expression": "SEARCH(' MetricName=\"mem_used_percent\" {CWAgent, InstanceId} ', 'Average')", "id": "m3", "visible": false }],
[{ "expression": "100*AVG(m1)/AVG(m2)", "label": "GPU", "id": "e2", "color": "#17becf" }],
[{ "expression": "AVG(m3)", "label": "RAM", "id": "e3" }]
],
"view": "timeSeries",
"stacked": false,
"region": "<REGION_NAME>",
"stat": "Average",
"period": 300,
"yAxis": {
"left": {"min": 0,"max": 100,"label": "Percent","showUnits": false}
},
"title": "Average Memory Utilization"
}
},
{
"height": 7,
"width": 8,
"y": 0,
"x": 8,
"type": "metric",
"properties": {
"metrics": [
[ { "expression": "SEARCH(' MetricName=\"nvidia_smi_memory_used\" {\"CWAgent\", InstanceId} ', 'Average')", "id": "m1", "visible": false } ],
[ { "expression": "SEARCH(' MetricName=\"nvidia_smi_memory_total\" {\"CWAgent\", InstanceId} ', 'Average')", "id": "m2", "visible": false } ],
[ { "expression": "100*AVG(m1)/AVG(m2)", "label": "Utilization", "id": "e2" } ]
],
"sparkline": true,
"view": "gauge",
"region": "<REGION_NAME>",
"stat": "Average",
"period": 300,
"yAxis": {
"left": {"min": 0,"max": 100}
},
"liveData": false,
"title": "GPU Memory Utilization"
}
}
]
}
2. 运行以下 亚马逊云科技 CLI 命令，
aws cloudwatch put-dashboard \
--region <REGION_NAME> \
--dashboard-name My-GPU-Usage \
--dashboard-body file://cloudwatch-dashboard.json 在您的 亚马逊云科技
正在清理
为了避免将来因关注本文而创建的资源产生成本，请删除以下内容：
- 我的 GPU 使用情况 CloudWatch 控制面板
- Cloudwatch 代理配置系统管理器参数
- Cloudwatch 代理角色 IAM 角色
结论
通过关注这篇文章，您在支持 GPU 的 EC2 实例上部署和配置了 CloudWatch 代理，以便在不暂停正在进行的实验和模型训练的情况下跟踪 GPU 利用率。然后，您使用 CloudWatch 控制面板可视化工作负载的 GPU 利用率，以更好地了解工作负载的 GPU 使用情况，并做出更明智的扩展和成本决策。有关亚马逊 CloudWatch 可以改善组织运营洞察力的其他方式，请参阅
*前述特定亚马逊云科技生成式人工智能相关的服务仅在亚马逊云科技海外区域可用，亚马逊云科技中国仅为帮助您发展海外业务和/或了解行业前沿技术选择推荐该服务。
