Un data center può dichiarare decine di GPU e consumare meno del previsto senza che ci sia per forza un’anomalia. Le macchine potrebbero essere spente, limitate, in collaudo o impegnate su carichi leggeri. Il problema operativo nasce quando l’azienda usa quella differenza come prova: i watt raccontano che cosa sta succedendo, non quali componenti siano davvero installati.

Il 14 novembre 2026 la Malesia ha annunciato un progetto di controllo che mette in relazione acceleratori AI importati, ubicazione dei data center e consumo elettrico. Il caso è utile anche fuori dal perimetro doganale: mostra perché un inventario GPU affidabile deve unire dati amministrativi, identità hardware, telemetria e verifiche fisiche. Per una PMI che possiede server AI o compra capacità da un fornitore, questo incrocio serve a controllare costi, sicurezza, disponibilità e una filiera AI sempre più vincolata dall’infrastruttura.

Il caso: i watt sono un indizio, non una prova

Secondo Tom’s Hardware, la proposta malese richiederebbe agli operatori di dichiarare il numero di acceleratori importati, il consumo, l’ubicazione degli impianti e l’identità degli operatori e dei clienti hyperscale. Il Ministero malese degli investimenti, del commercio e dell’industria ha inoltre dichiarato il 13 novembre 2026 di stare verificando con le dogane eventuali riesportazioni e di valutare ulteriori misure di controllo. La nota ufficiale MITI è più prudente della cronaca: conferma verifiche e cooperazione internazionale, ma non descrive ancora un metodo tecnico definitivo.

La distinzione conta. Se un operatore ha prenotato una certa capacità elettrica, il consumo reale può restare più basso per mesi. Se una GPU è installata, il suo assorbimento cambia con modello, limite di potenza, temperatura, profilo del carico e stato del server. Anche CPU, memoria, storage, rete e raffreddamento entrano nel contatore di impianto. Dividere i kilowatt totali per il consumo nominale di una scheda produce quindi una stima, non un inventario.

La conseguenza per un’azienda è concreta: una dashboard energetica non sostituisce il registro degli asset. Può però segnalare che il registro non torna. La telemetria diventa utile quando genera una domanda verificabile, per esempio: «Nel rack risultano otto GPU assegnate a questo cluster, ma da tre giorni ne compaiono sei nel sistema di monitoraggio: quali due mancano e perché?»

Il modello di controllo a quattro livelli

Un controllo robusto usa quattro livelli che si confermano a vicenda. Nessuno dei quattro basta da solo.

  1. Registro amministrativo: ordine, fattura, fornitore, data di consegna, proprietario, garanzia e contratto di assistenza.
  2. Identità tecnica: produttore, modello, numero di serie, UUID GPU, PCI bus ID, host, rack e posizione fisica.
  3. Telemetria: presenza del dispositivo, utilizzo, memoria, potenza, temperatura, errori e timestamp dell’ultima misura valida.
  4. Verifica fisica: controllo periodico dell’etichetta, della posizione e della corrispondenza con il registro, soprattutto dopo manutenzioni o sostituzioni.

Questo schema applica in modo pratico il principio ID.AM-01 del NIST Cybersecurity Framework 2.0: mantenere l’inventario dell’hardware gestito. Il punto non è riempire un foglio una volta, ma avere una fonte aggiornata quando un componente entra, cambia host, viene inviato in riparazione o esce dal servizio.

La chiave di raccordo non dovrebbe essere un nome scritto a mano come “gpu-server-1”. Per hardware NVIDIA, la documentazione di Data Center GPU Manager indica UUID GPU o PCI bus ID come ponte tra il sistema di gestione e l’inventario. Gli identificatori numerici locali del monitor possono cambiare e non sono adatti a seguire un asset nel tempo.

Giorni 1-2: costruire l’inventario minimo

Per una PMI non serve partire da una piattaforma CMDB complessa. Un database leggero, un foglio con controllo degli accessi o il sistema di asset management già in uso sono sufficienti, a condizione che i campi siano obbligatori e che esista un responsabile. Il primo obiettivo è arrivare a una riga per ogni GPU fisica.

I campi minimi sono:

  • ID interno immutabile;
  • produttore, modello e memoria;
  • numero di serie e UUID GPU;
  • host, PCI bus ID, rack e posizione;
  • fornitore, riferimento d’acquisto e data di consegna;
  • stato: scorta, installata, in manutenzione, dismessa;
  • proprietario tecnico e proprietario del budget;
  • data dell’ultima verifica fisica.

Il proprietario tecnico risponde della configurazione; quello del budget conferma che l’asset corrisponda a un acquisto o a un servizio effettivamente autorizzato. Separare i due ruoli evita che la stessa persona possa ordinare, installare e convalidare senza un secondo controllo.

Durante il censimento iniziale conviene fotografare l’etichetta e registrare l’hash del file o conservarla in un archivio con cronologia. La fotografia non va usata come unico dato: serve come evidenza quando numero di serie, UUID e posizione non coincidono. Per hardware in colocation, il contratto dovrebbe prevedere un inventario esportabile e una procedura di verifica da remoto o tramite tecnico autorizzato. Lo stesso registro riduce gli errori quando si deve pianificare backup o migrazione dell’infrastruttura.

Alla fine del secondo giorno il risultato atteso non è la perfezione. È una lista delle eccezioni: schede senza documento d’acquisto, seriali illeggibili, UUID duplicati, host non raggiungibili, componenti registrati ma non localizzati. Ogni eccezione deve avere un responsabile e una scadenza.

Giorni 3-4: raccogliere telemetria utile

La telemetria deve rispondere a domande operative, non produrre grafici decorativi. Per ogni GPU servono almeno presenza, utilizzo, memoria occupata, potenza, temperatura, errori e orario dell’ultimo campione. Su infrastruttura NVIDIA, DCGM offre un piano comune per inventario, telemetria, stato e diagnostica. La documentazione mostra anche come osservare temperatura e potenza con campioni temporali:

dcgmi discovery --list
dcgmi discovery --info a --gpuid 0
dcgmi dmon --field-id 150,155 --count 5

Questi comandi sono un controllo iniziale, non una piattaforma di monitoraggio. DCGM mantiene campioni e stato sul nodo, ma la sua cache non è un database storico. Le misure che devono sopravvivere a riavvii o supportare audit vanno esportate verso il sistema di monitoraggio aziendale. Inoltre un valore N/A non prova un guasto: può indicare un campo non supportato, non autorizzato o non ancora campionato.

Per test di inferenza, la documentazione ufficiale di NVIDIA AIPerf descrive la raccolta di potenza, utilizzo, memoria e temperatura tramite endpoint DCGM oppure, su un singolo host, tramite la libreria nvidia-ml-py. Questo è utile per creare una baseline: si esegue un carico noto, si misura come risponde ciascuna GPU e si conserva il risultato insieme alla versione del driver e alla configurazione.

La baseline deve distinguere tre valori:

  • potenza nominale o limite configurato: indica il tetto previsto, non il consumo continuo;
  • potenza istantanea: è sensibile al carico del momento;
  • energia su un intervallo: permette di confrontare turni, giorni o workload, purché il periodo e il metodo di campionamento restino coerenti.

Per questo motivo non imposterei un alert del tipo “consumo sotto il 70% = GPU assente”. È troppo fragile. Meglio rilevare separatamente assenza del dispositivo, perdita della telemetria e scostamento energetico rispetto a un carico comparabile.

Giorni 5-7: riconciliare e generare alert

La riconciliazione è un confronto schedulato tra registro e stato osservato. Ogni notte il sistema può esportare l’elenco delle GPU viste dagli host e unirlo all’inventario tramite UUID. L’esito utile non è un unico semaforo, ma una tabella di differenze.

  • Registrata e osservata: condizione normale; si aggiornano ultimo contatto e host.
  • Registrata ma non osservata: verificare manutenzione, spegnimento, driver, rete di gestione o rimozione fisica.
  • Osservata ma non registrata: bloccare l’assegnazione a workload finché acquisto, proprietà e configurazione non sono chiariti.
  • Identità corretta, posizione diversa: controllare che lo spostamento sia autorizzato e aggiornare la cronologia.
  • Telemetria presente ma energia incoerente: confrontare workload, power cap, temperatura, clock e componenti non GPU prima di aprire un incidente.

Gli alert devono avere una finestra temporale. Un host riavviato può sparire per alcuni minuti; una GPU scomparsa per un intero turno senza ticket di manutenzione richiede invece un controllo. Per iniziare userei una regola semplice: avviso dopo due raccolte consecutive mancanti, escalation dopo la finestra di manutenzione concordata. La soglia esatta dipende dalla frequenza di campionamento e dal servizio, non esiste un numero universale.

Ogni eccezione dovrebbe produrre un pacchetto minimo di evidenze: UUID, host atteso e osservato, ultimi timestamp, ticket collegato, estratto della telemetria e persona che ha chiuso il controllo. Questo pacchetto permette di distinguere un problema hardware da una modifica autorizzata senza ricostruire tutto a posteriori e offre una base concreta per un piano di risposta agli incidenti.

Se le GPU sono fornite come servizio, chiederei al provider un report mensile con capacità contrattuale, identificatori stabili delle risorse dedicate quando previsti dal contratto, ore disponibili, incidenti e metodo di misura. Nel cloud condiviso non sempre si può ottenere il seriale fisico: in quel caso l’oggetto da riconciliare diventa l’istanza o la quota acquistata, con region, tipo di acceleratore e log di utilizzo.

Gli errori che falsano il controllo

Il primo errore è confrontare il contatore dell’edificio con la somma dei consumi nominali delle GPU. Nel mezzo ci sono alimentatori, CPU, memoria, storage, rete, raffreddamento e perdite. Il dato di impianto è utile per capacità e costo, non per contare con precisione i componenti.

Il secondo è conservare solo la media. Una media giornaliera può nascondere ore di saturazione e ore di inattività. Per indagare servono almeno serie temporali coerenti e indicatori di picco, percentili o durata sopra soglia scelti in base al workload. Non bisogna aumentare la granularità senza criterio: più campioni significano più costo e non risolvono un’identità hardware sbagliata.

Il terzo è esporre il monitoraggio sulla rete sbagliata. NVIDIA avverte che il listener TCP di DCGM non aggiunge autenticazione, autorizzazione o cifratura al protocollo. Va quindi mantenuto su una rete di gestione fidata, con accessi limitati. Pubblicare una porta di telemetria per comodità crea un nuovo problema di sicurezza mentre si tenta di risolverne uno di controllo.

Il quarto è aggiornare l’inventario solo durante l’audit annuale. Una GPU sostituita in garanzia o spostata fra host rende il registro obsoleto in poche ore. L’aggiornamento deve far parte della procedura di installazione, manutenzione e dismissione. Il controllo periodico serve a trovare errori residui, non a ricostruire dodici mesi di attività.

Il quinto è assegnare alla telemetria un’autorità che non ha. Un sensore può fallire, una metrica può cambiare semantica fra versioni e un agente può smettere di raccogliere. Per questo ogni alert importante deve poter essere confermato da una seconda evidenza: inventario dell’host, log del sistema, ticket di modifica o verifica fisica.

Chiusura operativa e fonti

La lezione del caso malese non è che il contatore elettrico possa scoprire da solo dove si trovano le GPU. È l’opposto: il consumo diventa un controllo credibile solo quando viene legato a identità hardware e processi di gestione. Per una PMI il piano minimo è fattibile in una settimana: due giorni per censire, due per raccogliere una baseline, tre per riconciliare e assegnare le eccezioni.

Partirei da tre verifiche misurabili: ogni GPU ha un UUID associato a un documento e a una posizione; ogni dispositivo installato produce un ultimo contatto verificabile; ogni differenza genera un ticket con responsabile e scadenza. Solo dopo aggiungerei analisi energetiche più sofisticate. Il mio punto è netto: prima l’identità, poi la telemetria. Invertire l’ordine produce dashboard precise su asset che l’azienda non sa davvero localizzare.

Fonti consultate