fix(gpu): fauler Input killte telegraf — nvidia_smi nur bei echtem nvidia-smi, Intel ohne GPU-Input, Selbstheilung bei Startfehler

install.sh

@@ -255,9 +255,16 @@ esac
 [ "$HAS_APACHE" -eq 1 ] && [ "$ROLE" != "apache" ] && { fetch_conf telegraf/apache.conf /etc/telegraf/telegraf.d/apache.conf; usermod -aG adm telegraf 2>/dev/null || true; }
 
 # --- GPU (nur wenn erkannt) ---
+# Jeder Block wird NUR geschrieben, wenn das jeweilige Werkzeug wirklich da ist.
+# Ein Input ohne Binary laesst Telegraf beim Start hart scheitern -> alle Metriken aus.
 case "$GPU" in
   nvidia)
-    fetch telegraf/gpu.conf /etc/telegraf/telegraf.d/gpu.conf
+    cat > /etc/telegraf/telegraf.d/gpu.conf <<'EOF'
+[[inputs.nvidia_smi]]
+  timeout = "10s"
+  [inputs.nvidia_smi.tagdrop]
+    compute_mode = ["*"]
+EOF
     log "NVIDIA-GPU erkannt: inputs.nvidia_smi aktiv."
     ;;
   amd)
@@ -266,6 +273,7 @@ case "$GPU" in
     # KEIN name_override: das Script liefert die Metriknamen selbst
     # (gpu_utilization_gpu, gpu_temperature_edge, ...). name_override wuerde
     # alle Werte zu "gpu" kollabieren -> in Prometheus nur noch gpu_value.
+    # data_format = prometheus: mit "influx" haengt Telegraf "_value" an den Namen.
     cat > /etc/telegraf/telegraf.d/gpu.conf <<'EOF'
 [[inputs.exec]]
   interval = "30s"
@@ -276,8 +284,9 @@ EOF
     log "AMD-GPU erkannt: rocm-smi-exec-Input aktiv."
     ;;
   intel)
-    fetch telegraf/gpu.conf /etc/telegraf/telegraf.d/gpu.conf
+    # Bewusst KEIN GPU-Input: intel_gpu_top liefert kein Prometheus/Influx-Format
-    log "Intel-GPU (/dev/dri) erkannt: Hinweis — intel_gpu_top wird nicht automatisch erfasst."
+    # und ein nvidia_smi-Block ohne nvidia-smi wuerde Telegraf killen.
+    log "Intel-GPU (/dev/dri) erkannt: kein GPU-Input aktiviert (intel_gpu_top wird nicht erfasst)."
     ;;
   *) : ;;
 esac
@@ -296,7 +305,20 @@ if command -v systemctl >/dev/null && [ -d /run/systemd/system ]; then
   systemctl enable --now telegraf >/dev/null
   systemctl restart telegraf
   sleep 3
-  systemctl is-active --quiet telegraf || { journalctl -u telegraf -n 20 --no-pager; die "telegraf läuft nicht."; }
+  if ! systemctl is-active --quiet telegraf; then
+    journalctl -u telegraf -n 20 --no-pager
+    # Haeufigste Ursache: ein aktivierter Input, dessen Binary fehlt
+    # (z.B. nvidia_smi ohne nvidia-smi). GPU-Conf verwerfen und erneut versuchen.
+    if [ -f /etc/telegraf/telegraf.d/gpu.conf ]; then
+      log "Start fehlgeschlagen — entferne GPU-Conf und versuche erneut."
+      rm -f /etc/telegraf/telegraf.d/gpu.conf
+      systemctl reset-failed telegraf 2>/dev/null || true
+      systemctl restart telegraf
+      sleep 3
+    fi
+    systemctl is-active --quiet telegraf || die "telegraf läuft nicht. journalctl -u telegraf -n 30 prüfen."
+    log "WARNUNG: Telegraf läuft, aber ohne GPU-Metriken (Input-Binary fehlte)."
+  fi
 elif command -v systemctl >/dev/null; then
   log "HINWEIS: systemd nicht aktiv (Container/Chroot) — Dienst wird beim nächsten Boot gestartet (enabled)."
   systemctl enable telegraf >/dev/null 2>&1 || true

telegraf/gpu.conf

@@ -1,24 +1,23 @@
-# GPU-Metriken (Auto-Erkennung: NVIDIA / AMD / Intel)
+# GPU-Metriken — Vorlage.
 #
-# Der Installer bindet diese Datei nur ein, wenn auf dem Host eine GPU
+# WICHTIG: Diese Datei wird vom Installer NICHT einfach aktiviert, sondern
-# erkannt wurde. Fehlt der Treiber, laeuft der Rest unveraendert weiter.
+# generiert (siehe install.sh). Ein aktiver [[inputs.nvidia_smi]]-Block ohne
-
+# installiertes nvidia-smi laesst Telegraf beim Start HART scheitern
-# --- NVIDIA (nvidia-smi) ---
+# ("executable file not found in $PATH") — dann laufen auch alle anderen
-[[inputs.nvidia_smi]]
+# Inputs nicht mehr.
-  timeout = "10s"
+#
-  # Liefert u.a.: utilization_gpu, utilization_memory, memory_total, memory_used,
+# NVIDIA (nur wenn nvidia-smi vorhanden):
-  # memory_free, temperature_gpu, power_draw, power_limit, fan_speed,
+#   [[inputs.nvidia_smi]]
-  # clocks_current_graphics, clocks_current_memory, pstate, name (Tag)
+#     timeout = "10s"
-  [inputs.nvidia_smi.tagdrop]
+#     [inputs.nvidia_smi.tagdrop]
-    compute_mode = ["*"]
+#       compute_mode = ["*"]
-
+#
-# --- AMD (rocm-smi) ---
+# AMD (nur wenn rocm-smi vorhanden) — Script liefert Prometheus-Format:
-# Aktivieren, wenn `rocm-smi` vorhanden ist. Der Installer prueft das.
+#   [[inputs.exec]]
-# WICHTIG: kein name_override — das Script liefert die Metriknamen selbst
+#     interval = "30s"
-# (gpu_utilization_gpu, gpu_temperature_edge, gpu_power_draw, gpu_memory_*).
+#     timeout = "20s"
-# name_override = "gpu" wuerde alle Werte zu einer Serie kollabieren.
+#     data_format = "prometheus"
-# [[inputs.exec]]
+#     commands = ["/etc/telegraf/gpu-rocm.sh"]
-#   interval = "30s"
+#
-#   timeout = "20s"
+# Intel (/dev/dri): nvidia_smi nicht verwenden! intel_gpu_top wird nicht
-#   data_format = "prometheus"
+# automatisch erfasst — es wird bewusst KEIN GPU-Input aktiviert.
-#   commands = ["/etc/telegraf/gpu-rocm.sh"]