WatchDog и Управление кулерами карт в одном флаконе. Nvidia под Linux

[19alexrus71]

Решил поделиться самописанным скриптиком для контроля температуры карт и watchdog в одном флаконе для ферм на картах Nvidia под управлением любого linux

Для гуру линукса данный скрипт скорее всего будет неинтересен.

А вот новичкам - вполне может быть в тему. Кроме прямого назначения, возможно подтолкнет к пониманию создания скриптов на shell (что крайне полезно при использовании linux)

 

Предупреждаю сразу. Я не программист. Скрипт писал исключительно для себя. Возможно профессиональным кодерам он покажется оверстремным. Но тем не менее, работает у меня уже давно и исправно. Функции свои исполняет вполне уверенно. Поэтому ногами за корявый стиль программирования прошу не пинать.

 

Функционал контроля температуры:

Задается коридор температур (по умолчанию 58-60) в котором скрипт будет пытаться держать карты.

• При снижении температуры ниже нижнего порога - происходит плавное снижение оборотов кулера.
• При достижении верхнего порога - плавное увеличение оборотов.
• При достижении второго порога (по умолчанию 65)- сразу включается турборежим кулера (по умолчанию 70), и после этого плавное увеличение вплоть до максимальных оборотов, пока температура не снизится.
• При снижении оборотов ниже минимальных (по умолчанию 35) - происходит переключение на автоматическое управление кулерами. Полезно при зимнем балконном майнинге, чтобы не крутить вентиля, когда картам и так холодно. (на многих картах вентиля просто отключаются ниже определенной температуры)

 

Функционал WatchDog (можно отключить):

• Считываются значения загрузки карт.
• В случае ошибки получения данных (отвал карты). Или в случае снижения загрузки карты ниже установленного порога (не работает майнер), начинается обратный отсчет. Если по прошествии заданного количества циклов - загрузка карт не восстанавливается - происходит перезагрузка с одновременной записью  даты ребута и его причины в ~/watchdog.log

 

Входные переменные для настройки задаются в начале скрипта. В скрипте есть описание переменных. Запускать желательно в отдельном окне терминала.

Скрипт под спойлером

Скрытый текст

 

#!/bin/bash

#######################

#Script created by 19alexrus71

#For donate - LTC: LaeSwaV5mnXJb6DgccCdHiZNKUCvbfDMFT

#############################################################

 

 

 

#Температура при достижении которой обороты начинают плавно повышаться

high_level=60

 

#Температура при которой обороты начинают плавно понижаться

low_level=58

 

#Температура при которой обороты сразу повышаются до very_high_fan

very_high_level=65

 

#Скорость кулера при достижении very_high_level

very_high_fan=70

 

#Скорость кулера ниже которой обороты уже не регулируются и переключаются в авторежим

min_fan=35

 

#Максимальная скорость кулера

max_fan=100

 

#Пауза циклов проверки

PAUSE=10

 

#Минимальный порог загрузки карт. Если меньше - считается, что майнинг не работает

min_using=50

 

#Количество циклов с ошибкой (или низкой загрузкой карт), при достижении которого происходит reboot

error_level=10

 

#Включение/выключение watchdog. Отключить: watchdog=0. Мониторинг будет происходить, но перезагрузка отключена

watch_dog=1

 

 

 

#########################################################################

count=$(sudo nvidia-smi -i 1 --query-gpu=count --format=csv,noheader,nounits)

error_flag=0

error_count=0

 

while (true)

do

clear

 

    if [ $error_flag -ne 0 ]

    then

        error_count=$(( $error_count + 1 ))

    else

        error_count=0

    fi

 

    if [ $error_count -ne 0 ]

    then

        echo "WARNING!!! Lost Card or using Card low."

        if [ $watch_dog -eq 1 ]

        then

            remain_in_cicle=$(( $error_level - $error_count ))

            remain_in_sec=$(( $remain_in_cicle * $PAUSE ))

            if [ $remain_in_cicle -le 0 ]

                then

                    echo "Reboot NOW!"

                    echo $(date +%d-%m-%Y\ %H:%M:%S) $error_msg >> ~/watchdog.log

                    sudo reboot

                else   

                    echo "Reboot in "$remain_in_sec" sec!"

            fi

        else

            echo "WatchDog disabled"

        fi

    else

        if [ $watch_dog -eq 1 ]

        then

            echo "WatchDog enabled. All OK"

        else

            echo "WatchDog disabled"

        fi

    fi

 

error_flag=0

 

for (( i=0; i < $count; i++ ))

do

    echo

    res_req=0

    fan=$(sudo nvidia-smi -i $i --query-gpu=fan.speed --format=csv,noheader,nounits)

    res_req=$?

    if [ $res_req -ne 0 ]

    then

        echo "Error get data from card "$i

        error_flag=1

        error_msg="Error get data from card "$i

        continue

    fi

    res_req=0

    temp=$(sudo nvidia-smi -i $i --query-gpu=temperature.gpu --format=csv,noheader,nounits)

    res_req=$?

    if [ $res_req -ne 0 ]

    then

        echo "Error get data from card "$i

        error_flag=1

        error_msg="Error get data from card "$i

        continue

    fi

    res_req=0

    using=$(sudo nvidia-smi -i $i --query-gpu=utilization.gpu --format=csv,noheader,nounits)

 

    if [ $res_req -ne 0 ]

    then

        echo "Error get data from card "$i

        error_flag=1

        error_msg="Error get data from card "$i

        continue

    fi

    if [ $using -lt $min_using ]

    then

        error_flag=1

        error_msg="Using card "$using"%"

    fi

 

 

    echo "Using Card "$i": "$using"%."

    control=$(nvidia-settings -q "[gpu:"$i"]/GPUFanControlState" -t)

 

    if [ $temp -ge $high_level ]

    then

        if [ $fan -ge $max_fan ]

        then

            echo "Fan speed "$i": "$fan".Temperature "$i": "$temp" !!!!!!!"

            continue

        fi

        speed=$(( $fan + 2 ))

        if [ $speed -gt $max_fan ]

        then

            speed=$max_fan

        fi

 

        if [ $temp -ge $very_high_level ]

        then

            if [ $fan -lt $very_high_fan ]

            then

                speed=$very_high_fan

            fi

        fi

        echo "Fan "$i": "$fan"   Temperature "$i": "$temp ". Is very high! Increase fan speed to "$speed

        nvidia-settings -a "[gpu:"$i"]/GPUFanControlState=1" > /dev/null 2>&1

        nvidia-settings -a "[fan:"$i"]/GPUTargetFanSpeed="$speed > /dev/null 2>&1

        continue

    fi

 

    if [ $temp -lt $low_level ]

    then

        if [ $fan -le $min_fan ]

                then

            nvidia-settings -a "[gpu:"$i"]/GPUFanControlState=0" > /dev/null 2>&1

            echo "Fan "$i": "$fan"   Temperature "$i": "$temp

            continue

                else

            if [ $control -ne 0 ]

            then

                    speed=$(( $fan - 1 ))

                nvidia-settings -a "[gpu:"$i"]/GPUFanControlState=1" > /dev/null 2>&1

                    nvidia-settings -a "[fan:"$i"]/GPUTargetFanSpeed="$speed > /dev/null 2>&1

                    echo "Fan "$i": "$fan"   Temperature "$i": "$temp ". Is very low! Decrease fan speed to "$speed

                    continue

            fi

        fi

    fi

 

    echo "Fan "$i": "$fan"   Temperature "$i": "$temp

 

done

 

sleep $PAUSE

done

 

 

 

 

 

И вот как это выглядит вживую. На первом скрине - все в порядке. На втором - намеренно выключен майнер и скрипт запустил обратный отсчет до ребута

 

PS: Теоретически nvidia-smi и nvidia-setting должны работать и без sudo. Однако я делал через sudo, во избежании лишних вопросов со стороны линукса. Поэтому нужно добавить эти команды в файл sudoers

Изменено 7 фев 2018, 07:09 пользователем 19alexrus71