执行摘要

• 一句话：CI 时间线新增 GPU 利用率与内存采样
• 推荐动作：值得精读，尤其适合关注 CI 可观测性和低侵入采集器设计的工程师。重点学习：如何在零依赖前提下安全采集硬件遥测、如何处理失败而不污染主流程、如何用 spool + OIDC 复用既有认证链路上传数据，以及字节预算批处理在 OTLP 导出中的必要性。

功能与动机

PR body 明确指出目的是“收集 GPU 利用率和已用/总内存，与 CI 命令和 pytest 计时一起，以便 Builds 时间线区分 GPU-active tests from sampled idle intervals”。同时约束是“不引入 GPU context、pytest-worker sampler、fleet agent 或长期 dashboard token”，并检查了开放 PR，确认没有现有实现冲突。这体现了对 CI 可观测性的增强需求，以及对基础设施最小侵入的追求。

实现拆解

1. 新增采样器脚本 ci_gpu.py：定义 _number、parse_samples、sample_span、collect、main。脚本通过 nvidia-smi 的 CSV 输出获取最多 16 个容器可见 NVIDIA 设备的利用率与内存，解析时过滤非法值（NaN、负数、超上限）并跳过 MIG 父设备。collect 以 1 秒间隔轮询，每 30 秒将攒批事件封装为 ci.gpu.samples span 并通过 export_spans 上传；最后一小批在命令结束时通过 record_spans 落盘 spool。
2. 扩展 OTLP 编码与导出（ci_otel.py）：Span dataclass 新增 events 字段，_encode_span 将事件按 OTLP span event 格式编码。export_spans 从按固定条数切分改为同时受 MAX_BATCH_SIZE 和新增的 MAX_BATCH_BYTES（1 MB）约束，避免含大量采样事件时单请求过大。
3. Shell 生命周期管理（ci_otel.sh）：ci_otel_start 在满足 CI_INFRA_GPU_SAMPLING != 0、ci_gpu.py 存在且 nvidia-smi 可用时后台启动采样器；ci_otel_finish 先发送 SIGTERM，循环等待最多 3 秒，再强制 SIGKILL 并回收进程，同时保留原命令退出状态。
4. 测试配套（tests/test_ci_otel.py）：新增 6 组 GPU 相关测试，覆盖解析零值与非法值、事件 spool 往返、查询失败有界且不伪造 0%、上传失败丢弃批次、shell 启停与退出状态保留（含禁用开关参数化）。
5. 文档（README.md）：新增 README 说明采样范围、失败处理、MIG 限制、部署前提与验证方式。

关键文件：

• .buildkite/scripts/ci-otel/ci_gpu.py（模块 GPU 采集；类别 source；类型 core-logic；符号 _number, parse_samples, sample_span, collect）: 新增的 GPU 采样器，负责轮询 nvidia-smi、解析 CSV、生成 OTLP 事件并管理批次上传，是本次功能的核心实现。
• .buildkite/scripts/ci-otel/ci_otel.py（模块 OTLP 导出；类别 source；类型 core-logic；符号 Span, _encode_span, export_spans）: 扩展 Span 支持 OTLP events，并为 export_spans 引入字节预算批处理，避免携带大量采样事件时请求过大。
• .buildkite/scripts/ci-otel/tests/test_ci_otel.py（模块 CI 测试；类别 test；类型 test-coverage；符号 test_export_batches_with_one_oidc_token, test_gpu_samples_preserve_zero_and_omit_unsupported_metrics, test_gpu_batches_keep_command_identity_and_survive_spool_roundtrip, test_gpu_query_failures_are_bounded_and_never_synthesize_idle_samples）: 新增 GPU 采样相关测试，覆盖解析、spool 往返、查询失败、上传失败和 shell 生命周期，是功能可靠性的主要保障。
• .buildkite/scripts/ci-otel/ci_otel.sh（模块 生命周期；类别 other；类型 core-logic）: 负责采样器进程的启动与回收，确保不干扰命令退出状态，是采样器可靠运行的生命周期支撑。
• .buildkite/scripts/ci-otel/README.md（模块 CI 文档；类别 docs；类型 documentation）: 说明了采样器的行为约束、覆盖范围、部署前提和验证方式，是团队理解与部署该功能的入口文档。

关键符号：collect, parse_samples, sample_span, _number, export_spans, _encode_span

关键源码片段

.buildkite/scripts/ci-otel/ci_gpu.py

新增的 GPU 采样器，负责轮询 nvidia-smi、解析 CSV、生成 OTLP 事件并管理批次上传，是本次功能的核心实现。

def collect(parent_pid: int, stop: threading.Event) -> None:
    """按 1 秒间隔轮询 nvidia-smi，攒批后上传 OTLP 事件。"""
    events: list[dict] = []
    batch_started = time.monotonic()
    failures = 0
    try:
        # 父进程退出后（getppid 变化）或收到 stop 信号时停止，避免孤儿进程。
        while not stop.is_set() and os.getppid() == parent_pid:
            started = time.monotonic()
            try:
                result = subprocess.run(
                    [
                        "nvidia-smi",
                        f"--query-gpu={QUERY}",
                        "--format=csv,noheader,nounits",
                    ],
                    capture_output=True,
                    text=True,
                    timeout=QUERY_TIMEOUT_SECONDS,
                    check=True,
                )
                if stop.is_set():
                    break
                samples = parse_samples(result.stdout, time.time_ns())
                if not samples:
                    break
                events.extend(samples)
                failures = 0
            except (OSError, subprocess.SubprocessError):
                failures += 1
                # 连续 3 次查询失败即放弃，避免无限重试拖慢命令。
                if failures >= 3:
                    print(
                        "CI GPU sampling stopped: device query unavailable",
                        file=sys.stderr,
                    )
                    break
            if events and time.monotonic() - batch_started >= BATCH_SECONDS:
                # 每 30 秒上传一次；上传失败则丢弃本批，时间线留缺口，
                # 绝不回填 0 利用率，防止误导。
                export_spans([sample_span(events)], timeout_seconds=2)
                events = []
                batch_started = time.monotonic()
            stop.wait(max(0, INTERVAL_SECONDS - (time.monotonic() - started)))
    finally:
        # 命令结束时 shell 会先 join 本进程，所以最后一小批通过
        # record_spans 写入 spool，由 job-end 统一上传。
        if events:
            record_spans([sample_span(events)])

.buildkite/scripts/ci-otel/ci_otel.py

扩展 Span 支持 OTLP events，并为 export_spans 引入字节预算批处理，避免携带大量采样事件时请求过大。

def export_spans(spans: list[Span], timeout_seconds: float = 3.0) -> bool:
    """将 spans 编码为 OTLP protobuf 并上传，失败时静默返回 False。"""
    if not spans or os.getenv("BUILDKITE") != "true":
        return False
    try:
        deadline = time.monotonic() + max(timeout_seconds, 0.1)
        token = _oidc_token(deadline)
        batches: list[list[Span]] = []
        batch: list[Span] = []
        size = 0
        for span in spans:
            span_size = len(_encode_span(span))
            # 按字节预算和条数上限双重切分，防止含大量采样事件时
            # 单请求超过网关限制；一个 token 覆盖所有批次。
            if batch and (
                size + span_size > MAX_BATCH_BYTES or len(batch) >= MAX_BATCH_SIZE
            ):
                batches.append(batch)
                batch, size = [], 0
            batch.append(span)
            size += span_size
        if batch:
            batches.append(batch)
        for batch in batches:
            request = urllib.request.Request(
                ENDPOINT,
                data=encode_request(batch),
                method="POST",
                headers={
                    "Authorization": f"Bearer {token}",
                    "Content-Type": "application/x-protobuf",
                    "User-Agent": "vllm-ci-otel/1",
                },
            )
            with urllib.request.urlopen(
                request, timeout=_remaining_seconds(deadline)
            ) as response:
                if response.status != 200:
                    raise RuntimeError(f"OTLP endpoint returned {response.status}")
        return True
    except Exception as error:
        print(f"CI timing upload skipped: {error}", file=sys.stderr)
        return False

评论区精华

本 PR 无实质技术 review 讨论。claude[bot] 仅自动提示仓库配置了手动 code review，未触发技术评审。PR 由维护者直接合并，设计决策主要体现在 PR body 与实现中，例如：采样间隔与批量阈值、查询失败三次即停、上传失败丢弃批次而非无限缓存、MIG 父设备指标省略等。

• Claude Bot 自动评论 (other): 无实质技术讨论，PR 由维护者直接合并。

风险与影响

• 风险：
  1. 采样器与 CI 命令共生：每个 traced command 会启动一个后台 Python 进程，虽然 canary 显示计时影响很小（12.697–13.152 s vs 12.491–13.332 s），但并未建立精确上界，且未验证 L4 以外的 GPU 类型。
  2. 数据缺口：若周期上传失败，批次会被丢弃，时间线对应区间显示为缺口而不是 0%；短测试（如 475 ms）可能完全没有样本。这在 README 中已明确，但用户可能误读为 GPU 空闲。
  3. 覆盖范围限制：仅采集 NVIDIA 命令，AMD/CPU 作业无数据；MIG 父设备指标被省略，对于 MIG 分区的作业无法展示其实际分配的内存。
  4. nvidia-smi 依赖：ci_gpu.py 对 nvidia-smi 的可用性有隐式依赖，连续 3 次查询失败即静默停止；如果节点设备状态异常，可能产生不完整时间线。
  5. 字节预算变更：export_spans 现在每次调用都会调用 _encode_span 计算大小，对已有大 span 列表会增加少量 CPU 开销，但换取的是避免超出网关限制。
     - 影响：对用户（CI 开发者）而言，Builds 时间线将能直观看到每个命令/测试期间的 GPU 利用率和内存占用，有助于排查性能瓶颈和资源浪费。对系统而言，每个 traced command 新增一个轻量子进程，无 CUDA context、无 PyTorch 导入，开销可控且可开关。对团队而言，需先部署配套的 vllm-dashboard PR 并保留七日样本后才能启用广泛收集；本次改动仅影响受信 CI 追踪中的 NVIDIA 命令，不触碰模型推理路径。
     - 风险标记：采样器与 CI 命令共生，失败静默降级, 上传失败丢弃批次造成时间线缺口, 仅覆盖 NVIDIA 命令，AMD/CPU 无采样, MIG 父设备指标缺失

关联脉络

• PR #56329 [CI] Give every Buildkite step an explicit key, and a hook to enforce it: 同为 CI 基础设施维护，为 Buildkite 配置增加约束与可观测性，与本 PR 共同提升 CI 流程的可靠性与可诊断性。
• PR #56596 [CI/Build] Give the Torch ABI audit time to start: 同样调整 CI 执行时序与超时策略，但本 PR 聚焦 GPU 采样，二者无直接代码依赖，属于相同维护方向。