使用AOM查看Lite Cluster监控指标
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
- 登录控制台，搜索AOM，进入“应用运维管理 AOM”控制台。
- 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
- 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
- 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
容器级别的监控指标介绍
|
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，无须处理。 |
|
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，无须处理。 |
|
|
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，无须处理。 |
|
|
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，无须处理。 |
|
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。（即将废止，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，无须处理。 |
|
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。（即将废止，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，无须处理。 |
|
|
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。（即将废止，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。 （即将废止，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 |
- |
|
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，无须处理。 |
|
|
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，无须处理。 |
|
|
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，无须处理。 |
|
|
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，无须处理。 |
|
|
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
|
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，无须处理。 |
|
|
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，无须处理。 |
|
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，无须处理。 |
|
|
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。 |
个 |
≥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。（即将废止，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。（即将废止，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，无须处理。 |
|
|
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。（即将废止，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。（即将废止，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 |
- |
|
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，无须处理。 |
|
|
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，无须处理。 |
|
|
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
|
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（即将废止）。 |
|
|
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（即将废止）。 |
|
|
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。 |
