gpu-keepalive 0.1.0

自动维持 GPU SM 利用率守护进程，防止任务被强杀

gpu-keepalive

自动维持 GPU SM 利用率 ≥ 40%，防止任务被集群强杀。
任务真正运行时自动让路，支持混卡环境（V100 / A100 / H100 / B200 …）。

安装

pip install gpu-keepalive

或从源码安装（本地开发）：

git clone https://github.com/yourname/gpu-keepalive
cd gpu-keepalive
pip install -e .

快速使用

# 守护所有 GPU，默认阈值 40%
gpu_keepalive go

# 只守护 GPU 0 和 1
gpu_keepalive go --gpus 0,1

# 守护 GPU 0~3，自定义阈值
gpu_keepalive go --gpus 0-3 --min 40 --target 50

# 查看当前各卡利用率
gpu_keepalive status

# 列出系统所有 GPU 信息
gpu_keepalive list

参数说明

参数	默认	说明
--gpus	all	GPU 编号，支持 0,1,3、0-3、all
--min	40	SM 利用率低于此值时启动占位 kernel
--target	50	占位 kernel 的目标利用率
--interval	2.0	采样间隔（秒）

工作原理

1. 每 interval 秒查询一次各卡 SM 利用率
2. 利用率 < --min 时，启动占位 kernel（fp16 矩阵乘法），通过 PI 控制器将利用率稳定在 --target
3. 检测到真实负载（利用率 ≥ --min）时，立刻停止占位 kernel，彻底让路
4. 自动识别 GPU 型号，按 V100 / H100 / B200 等选择合适的矩阵规模

依赖

• Python ≥ 3.10
• PyTorch ≥ 2.0（需要 CUDA 版本）
• pynvml ≥ 11.0

推荐使用方式

# 放入 tmux / screen，挂在后台
tmux new -s keepalive
gpu_keepalive go --gpus all
# Ctrl-B D 分离，自由 debug