网络
虚拟私有云 VPC
弹性公网IP EIP
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
虚拟专用网络 VPN
云连接 CC
VPC终端节点 VPCEP
企业路由器 ER
企业交换机 ESW
全球加速 GA
企业连接 EC
云原生应用网络 ANC
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
威胁检测服务 MTD
态势感知 SA
认证测试中心 CTC
边缘安全 EdgeSec
应用中间件
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
API网关 APIG
分布式缓存服务 DCS
多活高可用服务 MAS
事件网格 EG
管理与监管
统一身份认证服务 IAM
消息通知服务 SMN
云监控服务 CES
应用运维管理 AOM
应用性能管理 APM
云日志服务 LTS
云审计服务 CTS
标签管理服务 TMS
配置审计 Config
应用身份管理服务 OneAccess
资源访问管理 RAM
组织 Organizations
资源编排服务 RFS
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
解决方案
高性能计算 HPC
SAP
混合云灾备
开天工业工作台 MIW
Haydn解决方案工厂
数字化诊断治理专家服务
云生态
云商店
合作伙伴中心
华为云开发者学堂
华为云慧通差旅
开发与运维
软件开发生产线 CodeArts
需求管理 CodeArts Req
流水线 CodeArts Pipeline
代码检查 CodeArts Check
编译构建 CodeArts Build
部署 CodeArts Deploy
测试计划 CodeArts TestPlan
制品仓库 CodeArts Artifact
移动应用测试 MobileAPPTest
CodeArts IDE Online
开源镜像站 Mirrors
性能测试 CodeArts PerfTest
应用管理与运维平台 ServiceStage
云应用引擎 CAE
开源治理服务 CodeArts Governance
华为云Astro轻应用
CodeArts IDE
Astro工作流 AstroFlow
代码托管 CodeArts Repo
漏洞管理服务 CodeArts Inspector
联接 CodeArtsLink
软件建模 CodeArts Modeling
Astro企业应用 AstroPro
CodeArts 盘古助手
华为云Astro大屏应用
计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
云手机服务器 CPH
专属主机 DeH
弹性伸缩 AS
镜像服务 IMS
函数工作流 FunctionGraph
云耀云服务器(旧版)
VR云渲游平台 CVR
Huawei Cloud EulerOS
云化数据中心 CloudDC
网络
虚拟私有云 VPC
弹性公网IP EIP
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
虚拟专用网络 VPN
云连接 CC
VPC终端节点 VPCEP
企业路由器 ER
企业交换机 ESW
全球加速 GA
企业连接 EC
云原生应用网络 ANC
CDN与智能边缘
内容分发网络 CDN
智能边缘云 IEC
智能边缘平台 IEF
CloudPond云服务
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
威胁检测服务 MTD
态势感知 SA
认证测试中心 CTC
边缘安全 EdgeSec
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
可信智能计算服务 TICS
推荐系统 RES
云搜索服务 CSS
数据可视化 DLV
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
湖仓构建 LakeFormation
智能数据洞察 DataArts Insight
应用中间件
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
API网关 APIG
分布式缓存服务 DCS
多活高可用服务 MAS
事件网格 EG
开天aPaaS
应用平台 AppStage
开天企业工作台 MSSE
开天集成工作台 MSSI
API中心 API Hub
云消息服务 KooMessage
交换数据空间 EDS
云地图服务 KooMap
云手机服务 KooPhone
组织成员账号 OrgID
云空间服务 KooDrive
管理与监管
统一身份认证服务 IAM
消息通知服务 SMN
云监控服务 CES
应用运维管理 AOM
应用性能管理 APM
云日志服务 LTS
云审计服务 CTS
标签管理服务 TMS
配置审计 Config
应用身份管理服务 OneAccess
资源访问管理 RAM
组织 Organizations
资源编排服务 RFS
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
区块链
区块链服务 BCS
数字资产链 DAC
华为云区块链引擎服务 HBS
解决方案
高性能计算 HPC
SAP
混合云灾备
开天工业工作台 MIW
Haydn解决方案工厂
数字化诊断治理专家服务
价格
成本优化最佳实践
专属云商业逻辑
云生态
云商店
合作伙伴中心
华为云开发者学堂
华为云慧通差旅
其他
管理控制台
消息中心
产品价格详情
系统权限
客户关联华为云合作伙伴须知
公共问题
宽限期保留期
奖励推广计划
活动
云服务信任体系能力说明
开发与运维
软件开发生产线 CodeArts
需求管理 CodeArts Req
流水线 CodeArts Pipeline
代码检查 CodeArts Check
编译构建 CodeArts Build
部署 CodeArts Deploy
测试计划 CodeArts TestPlan
制品仓库 CodeArts Artifact
移动应用测试 MobileAPPTest
CodeArts IDE Online
开源镜像站 Mirrors
性能测试 CodeArts PerfTest
应用管理与运维平台 ServiceStage
云应用引擎 CAE
开源治理服务 CodeArts Governance
华为云Astro轻应用
CodeArts IDE
Astro工作流 AstroFlow
代码托管 CodeArts Repo
漏洞管理服务 CodeArts Inspector
联接 CodeArtsLink
软件建模 CodeArts Modeling
Astro企业应用 AstroPro
CodeArts 盘古助手
华为云Astro大屏应用
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
存储容灾服务 SDRS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
云存储网关 CSG
专属分布式存储服务 DSS
数据工坊 DWR
地图数据 MapDS
键值存储服务 KVS
容器
云容器引擎 CCE
云容器实例 CCI
容器镜像服务 SWR
云原生服务中心 OSC
应用服务网格 ASM
华为云UCS
数据库
云数据库 RDS
数据复制服务 DRS
文档数据库服务 DDS
分布式数据库中间件 DDM
云数据库 GaussDB
云数据库 GeminiDB
数据管理服务 DAS
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
AI开发平台ModelArts
华为HiLens
图引擎服务 GES
图像识别 Image
文字识别 OCR
自然语言处理 NLP
内容审核 Moderation
图像搜索 ImageSearch
医疗智能体 EIHealth
企业级AI应用开发专业套件 ModelArts Pro
人脸识别服务 FRS
对话机器人服务 CBS
语音交互服务 SIS
人证核身服务 IVS
视频智能分析服务 VIAS
城市智能体
自动驾驶云服务 Octopus
盘古大模型 PanguLargeModels
IoT物联网
设备接入 IoTDA
全球SIM联接 GSL
IoT数据分析 IoTA
路网数字化服务 DRIS
IoT边缘 IoTEdge
设备发放 IoTDP
企业应用
域名注册服务 Domains
云解析服务 DNS
企业门户 EWP
ICP备案
商标注册
华为云WeLink
华为云会议 Meeting
隐私保护通话 PrivateNumber
语音通话 VoiceCall
消息&短信 MSGSMS
云管理网络
SD-WAN 云服务
边缘数据中心管理 EDCM
云桌面 Workspace
应用与数据集成平台 ROMA Connect
ROMA资产中心 ROMA Exchange
API全生命周期管理 ROMA API
政企自服务管理 ESM
视频
实时音视频 SparkRTC
视频直播 Live
视频点播 VOD
媒体处理 MPC
视频接入服务 VIS
数字内容生产线 MetaStudio
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
专属云
专属计算集群 DCC
开发者工具
SDK开发指南
API签名指南
DevStar
华为云命令行工具服务 KooCLI
Huawei Cloud Toolkit
CodeArts API
云化转型
云架构中心
云采用框架
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
客户运营能力
国际站常见问题
支持计划
专业服务
合作伙伴支持计划
我的凭证
华为云公共事业服务云平台
工业软件
工业数字模型驱动引擎
硬件开发工具链平台云服务
工业数据转换引擎云服务

使用AOM查看Lite Cluster监控指标

更新时间:2025-01-07 GMT+08:00
分享

ModelArts Lite Cluster会定期收集资源池中各节点的关键资源(GPU、NPU、CPU、Memory等)的使用情况并上报到AOM,用户可直接在AOM上查看默认配置好的基础指标,也支持用户自定义一些指标项上报到AOM查看。

此外,还支持在ModelArts Lite Cluster上安装Prometheus开源监控工具,方便用户使用Prometheus工具在Lite Cluster集群内直接采集监控指标数据,具体参见使用Prometheus查看Lite Cluster监控指标章节。

本章节主要介绍如何在AOM上查看Lite Cluster监控指标。

AOM上查看已有监控指标

  1. 登录控制台,搜索AOM,进入“应用运维管理 AOM”控制台。
  2. 单击“监控 > 指标浏览”,进入“指标浏览”“页面”,单击“添加指标查询”
    图1 示例图片

  3. 添加指标查询信息。
    图2 示例图片
    • 添加方式:选择“按指标维度添加”
    • 指标名称:在右侧下拉框中选择“全量指标”,然后选择想要查询的指标,参考表1表2
    • 指标维度:填写过滤该指标的标签,请参考表4的Label名字栏。样例如下:
    图3 示例图片
  4. 单击确定,即可出现指标信息。
    图4 示例图片

自定义监控指标上报到AOM

用户有一些自定义的指标数据需要保存到AOM,ModelArts提供了命令方式将用户的自定义指标上报保存到AOM。

约束与限制

  • ModelArts以10秒/次的频率调用自定义配置中提供的命令或http接口获取指标数据。
  • 自定义配置中提供的命令或http接口返回的指标数据文本不能大于8KB。

命令方式采集自定义指标数据

用于创建自定义指标采集POD的YAML文件示例如下。

apiVersion: v1
kind: Pod
metadata:
  name: my-task
  annotations:
    ei.huaweicloud.com/metrics: '{"customMetrics":[{"containerName":"my-task","exec":{"command":["cat","/metrics/task.prom"]}}]}' # ModelArts从哪个容器以及使用哪个命令获取指标数据,请根据实际情况替换containerName参数和command参数
spec:
  containers:
  - name: my-task
    image: my-task-image:latest # 替换为实际使用的镜像

业务负载和自定义指标采集可以共用一个容器,也可以由SideCar容器采集指标数据,然后将自定义指标采集容器指定到SideCar容器,这样可以不占用业务负载容器的资源。

自定义指标数据格式

自定义指标数据的格式必须是符合open metrics规范的文本,即每个指标的格式应为:

<指标名称>{<标签名称>=<标签值>,...} <采样值> [毫秒时戳]

举例如下(#开头为注释,非必需):

# HELP http_requests_total The total number of HTTP requests.
# TYPE http_requests_total gauge
html_http_requests_total{method="post",code="200"} 1656 1686660980680
html_http_requests_total{method="post",code="400"} 2 1686660980681
图5 自定义指标数据结果

容器级别的监控指标介绍

表1 容器级别的指标

分类

名称

指标

指标含义

单位

取值范围

告警阈值

告警级别

处理建议

CPU

CPU使用率

ma_container_cpu_util

该指标用于统计测量对象的CPU使用率。

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

CPU内核占用量

ma_container_cpu_used_core

该指标用于统计测量对象已经使用的CPU核个数

核(Core)

≥0

NA

NA

NA

CPU内核总量

ma_container_cpu_limit_core

该指标用于统计测量对象申请的CPU核总量。

核(Core)

≥1

NA

NA

NA

CPU显存使用率

ma_container_gpu_mem_util

该指标用于统计测量对象已使用的显存占显存容量的百分比。

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

内存

内存总量

ma_container_memory_capacity_megabytes

该指标用于统计测量对象申请的物理内存总量。

兆字节(Megabytes)

≥0

NA

NA

NA

物理内存使用率

ma_container_memory_util

该指标用于统计测量对象已使用内存占申请物理内存总量的百分比。

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

物理内存使用量

ma_container_memory_used_megabytes

该指标用于统计测量对象实际已经使用的物理内存(对应container_memory_working_set_bytes当前内存工作集(working set)使用量。(工作区内存使用量=活跃的匿名与和缓存,以及file-baked页<=container_memory_usage_bytes))

兆字节(Megabytes)

≥0

NA

NA

NA

存储

磁盘读取速率

ma_container_disk_read_kilobytes

该指标用于统计每秒从磁盘读出的数据量。

千字节/秒(Kilobytes/Second

≥0

NA

NA

NA

磁盘写入速率

ma_container_disk_write_kilobytes

该指标用于统计每秒写入磁盘的数据量。

千字节/秒(Kilobytes/Second)

≥0

NA

NA

NA

GPU显存

GPU显存容量

ma_container_gpu_mem_total_megabytes

该指标用于统计训练任务的显存容量。

兆字节(Megabytes)

>0

NA

NA

NA

GPU显存使用率

ma_container_gpu_mem_util

该指标用于统计测量对象已使用的显存占显存容量的百分比。

百分比(Percent)

0~100%

NA

NA

NA

GPU显存使用量

ma_container_gpu_mem_used_megabytes

该指标用于统计测量对象已使用的显存。

兆字节(Megabytes)

≥0

NA

NA

NA

GPU显存空闲容量

ma_container_gpu_mem_free_megabytes

该指标用于统计测量空闲的显存。

兆字节(Megabytes)

≥0

NA

NA

NA

GPU

GPU使用率

ma_container_gpu_util

该指标用于统计测量对象的GPU使用率。

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

GPU内存带宽利用率

ma_container_gpu_mem_copy_util

表示内存带宽利用率。以英伟达GP Vnt1为例,其最大内存带宽为900 GB/sec,如果当前的内存带宽为450 GB/sec,则内存带宽利用率为50%。

百分比(Percent)

0~100%

NA

NA

NA

GPU编码器利用率

ma_container_gpu_enc_util

表示编码器利用率

百分比(Percent)

%

NA

NA

NA

GPU解码器利用率

ma_container_gpu_dec_util

表示解码器利用率

百分比(Percent)

%

NA

NA

NA

GPU温度

DCGM_FI_DEV_GPU_TEMP

表示GPU温度。

摄氏度(℃)

自然数

NA

NA

NA

GPU功率

DCGM_FI_DEV_POWER_USAGE

表示GPU功率。

瓦特(W)

>0

NA

NA

NA

GPU显存温度

DCGM_FI_DEV_MEMORY_TEMP

表示显存温度。

摄氏度(℃)

自然数

NA

NA

NA

网络IO

下行速率

ma_container_network_receive_bytes

该指标用于统计测试对象的入方向网络流速。

字节/秒(Bytes/Second)

≥0

NA

NA

NA

接收包速率

ma_container_network_receive_packets

每秒网卡接收的数据包个数。

个/秒(Packets/Second)

≥0

NA

NA

NA

下行错包率

ma_container_network_receive_error_packets

每秒网卡接收的错误包个数。

个/秒(Packets/Second)

≥0

连续2个周期原始值 > 1

紧急告警

网络丢包,建议提工单联系运维支持,排查网络问题。

上行速率

ma_container_network_transmit_bytes

该指标用于统计测试对象的出方向网络流速。

字节/秒(Bytes/Second)

≥0

NA

NA

NA

上行错包率

ma_container_network_transmit_error_packets

每秒网卡发送的错误包个数。

个/秒(Packets/Second)

≥0

连续2个周期原始值 > 1

紧急告警

网络丢包,建议提工单联系运维支持,排查网络问题。

发送包速率

ma_container_network_transmit_packets

每秒网卡发送的数据包个数。

个/秒(Packets/Second)

≥0

NA

NA

NA

NPU

NPU使用率

ma_container_npu_util

该指标用于统计测量对象的NPU使用率。(即将废弃,替代指标为ma_container_npu_ai_core_util)。

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

NPU显存使用率

ma_container_npu_memory_util

该指标用于统计测量对象已使用的NPU显存占NPU存储容量的百分比。(即将废弃,snt3系列替代指标为ma_container_npu_ddr_memory_util,snt9系列替代指标为ma_container_npu_hbm_util)。

百分比(Percent)

0~100%

连续2个周期原始值 > 98%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

NPU显存使用量

ma_container_npu_memory_used_megabytes

该指标用于统计测量对象已使用的NPU显存。(即将废弃,snt3系列替代指标为ma_container_npu_ddr_memory_usage_bytes,snt9系列替代指标为ma_container_npu_hbm_usage_bytes)。

≥0

兆字节(Megabytes)

NA

NA

NA

NPU显存容量

ma_container_npu_memory_total_megabytes

该指标用于统计测量对象的NPU显存容量。

(即将废弃,snt3系列替代指标为ma_container_npu_ddr_memory_bytes,snt9系列替代指标为ma_container_npu_hbm_bytes)。

>0

兆字节(Megabytes)

NA

NA

NA

NPU整体利用率

ma_container_npu_general_util

昇腾系列AI处理器NPU整体利用率(驱动版本24.1.RC2及其以后支持)

百分比(Percent)

0~100%

NA

NA

NA

AI处理器

AI处理器错误码

ma_container_npu_ai_core_error_code

昇腾系列AI处理器错误码

-

-

连续3个周期原始值 > 0

紧急告警

卡异常,建议提工单联系运维支持。

AI处理器健康状态

ma_container_npu_ai_core_health_status

昇腾系列AI处理器健康状态

-

  • 1:健康
  • 0:不健康

连续2个周期原始值为0

紧急告警

卡异常,建议提工单联系运维支持。

AI处理器功耗

ma_container_npu_ai_core_power_usage_watts

昇腾系列AI处理器功耗(snt9和snt3为处理器功耗,snt3P为板卡功耗)

瓦特(W)

>0

NA

NA

NA

AI处理器温度

ma_container_npu_ai_core_temperature_celsius

昇腾系列AI处理器温度

摄氏度(℃)

自然数

NA

NA

NA

AI处理器AI CORE利用率

ma_container_npu_ai_core_util

昇腾系列AI处理器AI Core利用率

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

AI处理器AI CORE时钟频率

ma_container_npu_ai_core_frequency_hertz

昇腾系列AI处理器AI Core时钟频率

赫兹(Hz)

>0

NA

NA

NA

AI处理器电压

ma_container_npu_ai_core_voltage_volts

昇腾系列AI处理器电压

伏特(V)

自然数

NA

NA

NA

AI处理器DDR内存总量

ma_container_npu_ddr_memory_bytes

昇腾系列AI处理器DDR内存总量

字节(Byte)

>0

NA

NA

NA

AI处理器DDR内存使用量

ma_container_npu_ddr_memory_usage_bytes

昇腾系列AI处理器DDR内存使用量

字节(Byte)

>0

NA

NA

NA

AI处理器DDR内存利用率

ma_container_npu_ddr_memory_util

昇腾系列AI处理器DDR内存利用率

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

AI处理器HBM内存总量

ma_container_npu_hbm_bytes

昇腾系列AI处理器HBM总内存(昇腾snt9 AI处理器专属)

字节(Byte)

>0

NA

NA

NA

AI处理器HBM内存使用量

ma_container_npu_hbm_usage_bytes

昇腾系列AI处理器HBM内存使用量(昇腾snt9 AI处理器专属)

字节(Byte)

>0

NA

NA

NA

AI处理器HBM内存利用率

ma_container_npu_hbm_util

昇腾系列AI处理器HBM内存利用率(昇腾snt9 AI处理器专属)

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

AI处理器HBM内存带宽利用率

ma_container_npu_hbm_bandwidth_util

昇腾系列AI处理器HBM内存带宽利用率(昇腾snt9 AI处理器专属)

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

建议

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

AI处理器HBM内存时钟频率

ma_container_npu_hbm_frequency_hertz

昇腾系列AI处理器HBM内存时钟频率(昇腾snt9 AI处理器专属)

赫兹(Hz)

>0

NA

NA

NA

AI处理器HBM内存温度

ma_container_npu_hbm_temperature_celsius

昇腾系列AI处理器HBM内存温度(昇腾snt9 AI处理器专属)

摄氏度(℃)

自然数

NA

NA

NA

AI处理器AI CPU利用率

ma_container_npu_ai_cpu_util

昇腾系列AI处理器AI CPU利用率

百分比(Percent)

0~100%

NA

NA

NA

AI处理器控制CPU利用率

ma_container_npu_ctrl_cpu_util

昇腾系列AI处理器控制CPU利用率

百分比(Percent)

0~100%

NA

NA

NA

节点级别的监控指标介绍

表2 节点指标

分类

名称

指标

指标含义

单位

取值范围

告警阈值

告警级别

处理建议

CPU

CPU内核总量

ma_node_cpu_limit_core

该指标用于统计测量对象申请的CPU核总量。

核(Core)

≥1

NA

NA

NA

CPU内核占用

ma_node_cpu_used_core

该指标用于统计测量对象已经使用的CPU核数。

核(Core)

≥0

NA

NA

NA

CPU使用率

ma_node_cpu_util

该指标用于统计测量对象的CPU使用率。

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

重要

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

CPU IO等待时间

ma_node_cpu_iowait_counter

从系统启动开始累计到当前时刻,硬盘IO等待时间

jiffies

≥0

NA

NA

NA

内存

物理内存使用率

ma_node_memory_util

该指标用于统计测量对象已使用内存占申请物理内存总量的百分比。

百分比(Percent)

0~100%

连续2个周期原始值 > 95%

重要

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

物理内存容量

ma_node_memory_total_megabytes

该指标用于统计测量申请的物理内存总量。

兆字节(Megabytes)

≥0

NA

NA

NA

网络IO

下行Bps

ma_node_network_receive_rate_bytes_seconds

该指标用于统计测试对象的入方向网络流速。

字节/秒(Bytes/Second)

≥0

NA

NA

NA

上行Bps

ma_node_network_transmit_rate_bytes_seconds

该指标用于统计测试对象的出方向网络流速。

字节/秒(Bytes/Second)

≥0

NA

NA

NA

存储

磁盘读取速率

ma_node_disk_read_rate_kilobytes_seconds

该指标用于统计每秒从磁盘读出的数据量。只考虑被容器使用的数据盘。

千字节/秒(Kilobytes/Second)

≥0

NA

NA

NA

磁盘写入速率

ma_node_disk_write_rate_kilobytes_seconds

该指标用于统计每秒写入磁盘的数据量。只考虑被容器使用的数据盘。

千字节/秒(Kilobytes/Second)

≥0

NA

NA

NA

cache空间的总量

ma_node_cache_space_capacity_megabytes

该指标用于统计k8s空间的总容量。

兆字节(Megabytes)

≥0

NA

NA

NA

cache空间的使用量

ma_node_cache_space_used_capacity_megabytes

该指标用于统计k8s空间的使用量。

兆字节(Megabytes)

≥0

NA

NA

NA

cache空间的使用率

ma_node_cache_space_used_percent

该指标用于统计k8s空间的使用率

百分比(Percent)

≥0

连续2个周期原始值 > 90%

紧急

请及时检查,防止磁盘写满影响业务。推荐清理计算节点无效数据。

容器空间的总量

ma_node_container_space_capacity_megabytes

该指标用于统计容器空间的总容量。

兆字节(Megabytes)

≥0

NA

NA

NA

容器空间的使用量

ma_node_container_space_used_capacity_megabytes

该指标用于统计容器空间的使用量。

兆字节(Megabytes)

≥0

NA

NA

NA

容器空间的使用率

ma_node_container_space_used_percent

该指标用于统计容器空间的使用率

百分比(Percent)

≥0

连续2个周期原始值 > 90%

紧急

请及时检查,防止磁盘写满影响业务。推荐清理计算节点无效数据。

GPU

GPU使用率

ma_node_gpu_util

该指标用于统计测量对象的GPU使用率。

百分比(Percent)

0~100%

NA

NA

NA

GPU显存容量

ma_node_gpu_mem_total_megabytes

该指标用于统计测量对象的显存容量。

兆字节(Megabytes)

>0

NA

NA

NA

GPU显存使用率

ma_node_gpu_mem_util

该指标用于统计测量对象已使用的显存占显存容量的百分比。

百分比(Percent)

0~100%

连续2个周期原始值 > 97%

提示

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

GPU显存使用量

ma_node_gpu_mem_used_megabytes

该指标用于统计测量对象已使用的显存。

兆字节(Megabytes)

≥0

NA

NA

NA

共享GPU任务运行数据

node_gpu_share_job_count

针对一个GPU卡,当前运行的共享资源使用的任务数量。

≥0

NA

NA

NA

GPU温度

DCGM_FI_DEV_GPU_TEMP

表示GPU温度。

摄氏度(℃)

自然数

NA

NA

NA

GPU功率

DCGM_FI_DEV_POWER_USAGE

表示GPU功率。

瓦特(W)

>0

NA

NA

NA

GPU显存温度

DCGM_FI_DEV_MEMORY_TEMP

表示显存温度。

摄氏度(℃)

自然数

NA

NA

NA

NPU

NPU使用率

ma_node_npu_util

该指标用于统计测量对象的NPU使用率。(即将废弃,替代指标为ma_node_npu_ai_core_util)。

百分比(Percent)

0~100%

NA

NA

NA

NPU显存使用率

ma_node_npu_memory_util

该指标用于统计测量对象已使用的NPU显存占NPU存储容量的百分比。(即将废弃,snt3系列替代指标为ma_node_npu_ddr_memory_util,snt9系列替代指标为ma_node_npu_hbm_util)。

百分比(Percent)

0~100%

连续2个周期原始值 > 97%

提示

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

NPU显存使用量

ma_node_npu_memory_used_megabytes

该指标用于统计测量对象已使用的NPU显存。(即将废弃,snt3系列替代指标为ma_node_npu_ddr_memory_usage_bytes,snt9系列替代指标为ma_node_npu_hbm_usage_bytes)

兆字节(Megabytes)

≥0

NA

NA

NA

NPU显存容量

ma_node_npu_memory_total_megabytes

该指标用于统计测量对象的NPU显存容量。(即将废弃,snt3系列替代指标为ma_node_npu_ddr_memory_bytes,snt9系列替代指标为ma_node_npu_hbm_bytes)。

兆字节(Megabytes)

>0

NA

NA

NA

AI处理器错误码

ma_node_npu_ai_core_error_code

昇腾系列AI处理器错误码

-

-

NA

NA

NA

AI处理器健康状态

ma_node_npu_ai_core_health_status

昇腾系列AI处理器健康状态

-

  • 1:健康
  • 0:不健康

连续2周期 值为0

紧急

建议参考故障列表,或者提工单咨询。

AI处理器功耗

ma_node_npu_ai_core_power_usage_watts

昇腾系列AI处理器功耗(snt9和snt3为处理器功耗,snt3P为板卡功耗)

瓦特(W)

>0

NA

NA

NA

AI处理器温度

ma_node_npu_ai_core_temperature_celsius

昇腾系列AI处理器温度

摄氏度(℃)

自然数

NA

NA

NA

AI处理器风扇转速

ma_node_npu_fan_speed_rpm

昇腾系列AI处理器的风扇转速

转/每分(RPM)

自然数

NA

NA

NA

AI处理器AI CORE利用率

ma_node_npu_ai_core_util

昇腾系列AI处理器AI Core利用率

百分比(Percent)

0~100%

NA

NA

NA

AI处理器AI CORE时钟频率

ma_node_npu_ai_core_frequency_hertz

昇腾系列AI处理器AI Core时钟频率

赫兹(Hz)

>0

NA

NA

NA

AI处理器电压

ma_node_npu_ai_core_voltage_volts

昇腾系列AI处理器电压

伏特(V)

自然数

NA

NA

NA

AI处理器DDR内存总量

ma_node_npu_ddr_memory_bytes

昇腾系列AI处理器DDR内存总量

字节(Byte)

>0

NA

NA

NA

AI处理器DDR内存使用量

ma_node_npu_ddr_memory_usage_bytes

昇腾系列AI处理器DDR内存使用量

字节(Byte)

>0

NA

NA

NA

AI处理器DDR内存利用率

ma_node_npu_ddr_memory_util

昇腾系列AI处理器DDR内存利用率

百分比(Percent)

0~100%

连续2个周期原始值 > 90%

提示

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

AI处理器HBM内存总量

ma_node_npu_hbm_bytes

昇腾系列AI处理器HBM总内存(昇腾snt9 AI处理器专属)

字节(Byte)

>0

NA

NA

NA

AI处理器HBM内存使用量

ma_node_npu_hbm_usage_bytes

昇腾系列AI处理器HBM内存使用量(昇腾snt9 AI处理器专属)

字节(Byte)

>0

NA

NA

NA

AI处理器HBM内存利用率

ma_node_npu_hbm_util

昇腾系列AI处理器HBM内存利用率(昇腾snt9 AI处理器专属)

百分比(Percent)

0~100%

连续2个周期原始值 > 97%

提示

排查是否符合业务资源使用预期,如果业务无问题,无需处理。

AI处理器HBM内存带宽利用率

ma_node_npu_hbm_bandwidth_util

昇腾系列AI处理器HBM内存带宽利用率(昇腾snt9 AI处理器专属)

百分比(Percent)

0~100%

NA

NA

NA

AI处理器HBM内存时钟频率

ma_node_npu_hbm_frequency_hertz

昇腾系列AI处理器HBM内存时钟频率(昇腾snt9 AI处理器专属)

赫兹(Hz)

>0

NA

NA

NA

AI处理器HBM内存温度

ma_node_npu_hbm_temperature_celsius

昇腾系列AI处理器HBM内存温度(昇腾snt9 AI处理器专属)

摄氏度(℃)

自然数

NA

NA

NA

AI处理器AI CPU利用率

ma_node_npu_ai_cpu_util

昇腾系列AI处理器AI CPU利用率

百分比(Percent)

0~100%

NA

NA

NA

AI处理器控制CPU利用率

ma_node_npu_ctrl_cpu_util

昇腾系列AI处理器控制CPU利用率

百分比(Percent)

0~100%

NA

NA

NA

infiniband或RoCE网络

网卡接收数据总量

ma_node_infiniband_port_received_data_bytes_total

The total number of data octets, divided by 4, (counting in double words, 32 bits), received on all VLs from the port.

counting in double words, 32 bits

≥0

NA

NA

NA

网卡发送数据总量

ma_node_infiniband_port_transmitted_data_bytes_total

The total number of data octets, divided by 4, (counting in double words, 32 bits), transmitted on all VLs from the port.

counting in double words, 32 bits

≥0

NA

NA

NA

NFS挂载状态

NFS检索文件属性操作拥塞时间

ma_node_mountstats_getattr_backlog_wait

Getattr is an NFS operation that retrieves the attributes of a file or directory, such as size, permissions, owner, etc. Backlog wait is the time that the NFS requests have to wait in the backlog queue before being sent to the NFS server. It indicates the congestion on the NFS client side. A high backlog wait can cause poor NFS performance and slow system response times.

ms

≥0

NA

NA

NA

NFS检索文件属性操作往返时间

ma_node_mountstats_getattr_rtt

Getattr is an NFS operation that retrieves the attributes of a file or directory, such as size, permissions, owner, etc.

RTT stands for Round Trip Time and it is the time from when the kernel RPC client sends the RPC request to the time it receives the reply34. RTT includes network transit time and server execution time. RTT is a good measurement for NFS latency. A high RTT can indicate network or server issues.

ms

≥0

NA

NA

NA

NFS检查文件权限操作拥塞时间

ma_node_mountstats_access_backlog_wait

Access is an NFS operation that checks the access permissions of a file or directory for a given user. Backlog wait is the time that the NFS requests have to wait in the backlog queue before being sent to the NFS server. It indicates the congestion on the NFS client side. A high backlog wait can cause poor NFS performance and slow system response times.

ms

≥0

NA

NA

NA

NFS检查文件权限操作往返时间

ma_node_mountstats_access_rtt

Access is an NFS operation that checks the access permissions of a file or directory for a given user. RTT stands for Round Trip Time and it is the time from when the kernel RPC client sends the RPC request to the time it receives the reply34. RTT includes network transit time and server execution time. RTT is a good measurement for NFS latency. A high RTT can indicate network or server issues.

ms

≥0

NA

NA

NA

NFS解析文件句柄操作拥塞时间

ma_node_mountstats_lookup_backlog_wait

Lookup is an NFS operation that resolves a file name in a directory to a file handle. Backlog wait is the time that the NFS requests have to wait in the backlog queue before being sent to the NFS server. It indicates the congestion on the NFS client side. A high backlog wait can cause poor NFS performance and slow system response times.

ms

≥0

NA

NA

NA

NFS解析文件句柄操作往返时间

ma_node_mountstats_lookup_rtt

Lookup is an NFS operation that resolves a file name in a directory to a file handle. RTT stands for Round Trip Time and it is the time from when the kernel RPC client sends the RPC request to the time it receives the reply34. RTT includes network transit time and server execution time. RTT is a good measurement for NFS latency. A high RTT can indicate network or server issues.

ms

≥0

NA

NA

NA

NFS读文件操作拥塞时间

ma_node_mountstats_read_backlog_wait

Read is an NFS operation that reads data from a file. Backlog wait is the time that the NFS requests have to wait in the backlog queue before being sent to the NFS server. It indicates the congestion on the NFS client side. A high backlog wait can cause poor NFS performance and slow system response times.

ms

≥0

NA

NA

NA

NFS读文件操作往返时间

ma_node_mountstats_read_rtt

Read is an NFS operation that reads data from a file. RTT stands for Round Trip Time and it is the time from when the kernel RPC client sends the RPC request to the time it receives the reply34. RTT includes network transit time and server execution time. RTT is a good measurement for NFS latency. A high RTT can indicate network or server issues.

ms

≥0

NA

NA

NA

NFS写文件操作拥塞时间

ma_node_mountstats_write_backlog_wait

Write is an NFS operation that writes data to a file. Backlog wait is the time that the NFS requests have to wait in the backlog queue before being sent to the NFS server. It indicates the congestion on the NFS client side. A high backlog wait can cause poor NFS performance and slow system response times.

ms

≥0

NA

NA

NA

NFS写文件操作往返时间

ma_node_mountstats_write_rtt

Write is an NFS operation that writes data to a file. RTT stands for Round Trip Time and it is the time from when the kernel RPC client sends the RPC request to the time it receives the reply34. RTT includes network transit time and server execution time. RTT is a good measurement for NFS latency. A high RTT can indicate network or server issues.

ms

≥0

NA

NA

NA

Label指标介绍

表3 Label名字栏

指标对象

Label名字

Label描述

容器级别指标

pod_name

容器所属pod的名字。

pod_id

容器所属pod的ID。

node_ip

容器所属的节点IP值。

container_id

容器ID。

cluster_id

集群ID。

cluster_name

集群名称。

container_name

容器名称。

namespace

是用户创建的POD所在的命名空间。

app_kind

取自首个ownerReferences的kind字段。

app_id

取自首个ownerReferences的uid字段。

app_name

取自首个ownerReferences的name字段。

npu_id

昇腾卡的ID信息,比如davinci0(即将废弃)。

device_id

昇腾系列AI处理器的Physical ID。

device_type

昇腾系列AI处理器类型。

pool_id

物理专属池对应的资源池id。

pool_name

物理专属池对应的资源池name。

gpu_uuid

容器使用的GPU的UUID。

gpu_index

容器使用的GPU的索引。

gpu_type

容器使用的GPU的型号。

node级别指标

cluster_id

该node所属CCE集群的ID。

node_ip

节点的IP。

host_name

节点的主机名。

pool_id

物理专属池对应的资源池ID。

project_id

物理专属池的用户的project id。

npu_id

昇腾卡的ID信息,比如davinci0(即将废弃)。

device_id

昇腾系列AI处理器的Physical ID。

device_type

昇腾系列AI处理器类型。

gpu_uuid

节点上GPU的UUID。

gpu_index

节点上GPU的索引。

gpu_type

节点上GPU的型号。

device_name

infiniband或RoCE网络网卡的设备名称。

port

IB网卡的端口号。

physical_state

IB网卡每个端口的状态。

firmware_version

IB网卡的固件版本。

filesystem

NFS挂载的文件系统。

mount_point

NFS的挂载点。

Diagnos

cluster_id

GPU所在节点所属的CCE集群ID。

node_ip

GPU所在节点的IP。

pool_id

物理专属池对应的资源池ID。

project_id

物理专属池的用户的project id。

gpu_uuid

GPU的UUID。

gpu_index

节点上GPU的索引。

gpu_type

节点上GPU的型号。

device_name

infiniband或RoCE网络网卡的设备名称。

port

IB网卡的端口号。

physical_state

IB网卡每个端口的状态。

firmware_version

IB网卡的固件版本。

提示

您即将访问非华为云网站,请注意账号财产安全

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容