Exporter 常用指标（示意）
Exporter 常用指标（示意）
DCGM_FI_DEV_GPU_UTIL / DCGM_FI_DEV_FB_USED
DCGM_FI_DEV_GPU_TEMP / DCGM_FI_DEV_POWER_USAGE
DCGM_FI_DEV_XID_ERRORS / DCGM_FI_DEV_ECC_DBE_VOL_TOTALXID 与 ECC 看增量而不是绝对值：突增才是硬件故障前兆。
DCGM 指标：硬件层信号
GPU 层指标交给 DCGM Exporter：利用率、显存、温度、功耗、ECC 与 XID 计数转成 Prometheus 指标；和引擎指标拼起来才是完整视图。
易错点
- 只盯利用率：ECC 与 XID 的增长常先于业务故障出现，别等掉了才查
数据来源与参考
- NVIDIA DCGM Exporter 文档（github.com/NVIDIA/dcgm-exporter）