XE Systems：如何安装软件包以进行 DCGMI 故障处理。RHEL Rocky

前提条件
要运行 DCGM，目标系统必须包括以下 NVIDIA 组件（按相关性顺序列出）：
- 支持的 NVIDIA 数据中心驱动程序
- 在 HGX （Hyperscale Graphics Extension） 系统上，Fabric Manager 和 NVSwitch 配置和查询 （NSCQ） 软件包
- DCGM 运行时和 SDK

对于 Red Hat 或 Rocky 版本：

distribution=$(. /etc/os-release;echo $ID`rpm -E "%{?rhel}%{?fedora}"`)

sudo dnf config-manager \
    --add-repo http://developer.download.nvidia.com/compute/cuda/repos/$distribution/x86_64/cuda-rhel8.repo

更新存储库元数据。

sudo dnf clean expire-cache

现在，安装 DCGM。

sudo dnf install -y datacenter-gpu-manager

在 HGX 系统（A100/A800 和 H100/H800）上，如果要轮询 NVSwitch，则必须安装 NVIDIA 交换机配置。查询 DCGM 的 NSCQ 库，以枚举 NVSwitch 并为交换机提供遥测。NSCQ 必须与系统上安装的驱动程序版本分支 （XXX） 匹配。在下面的命令中，将 XXX 替换为所需的驱动程序分支。

sudo dnf module install nvidia-driver:XXX/fm

查询操作系统的驱动程序版本：

nvidia-smi

在此示例中，我们使用以下命令，因为我们的驱动程序版本显示为 550：

sudo dnf module install nvidia-driver:550/fm

启用 DCGM systemd 服务（重新启动时）并立即启动：

sudo systemctl --now enable nvidia-dcgm

要验证安装，请使用 dcgmi 查询系统。您应该会看到在系统中找到的所有受支持的 GPU（以及任何 NVSwitch）的列表：（开关为小写字母 L）
DCGMI 发现 -L 

dcgmi discovery -l 

[下面的示例没有 NvSwitch，但如果存在或检测到 NvSwitch，则该字段会填充详细信息。]