如何在AOM上查看ModelArts所有监控指标？

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%

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

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

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

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%

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

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

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

GPU显存

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

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%

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

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%

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%

GPU编码器利用率

ma_container_gpu_enc_util

表示编码器利用率

百分比（Percent）

%

GPU解码器利用率

ma_container_gpu_dec_util

表示解码器利用率

百分比（Percent）

%

GPU温度

DCGM_FI_DEV_GPU_TEMP

表示GPU温度。

摄氏度（℃）

自然数

GPU功率

DCGM_FI_DEV_POWER_USAGE

表示GPU功率。

瓦特（W）

>0

显存温度

DCGM_FI_DEV_MEMORY_TEMP

表示显存温度。

摄氏度（℃）

自然数

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

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

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

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

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

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

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%

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%

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）

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）

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

-

-

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

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

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

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%

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

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

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

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

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%

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

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

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%

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%

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

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

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%

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%

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

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

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%

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

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%

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

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

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

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

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

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

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

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

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

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%

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

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%

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

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

GPU温度

DCGM_FI_DEV_GPU_TEMP

表示GPU温度。

摄氏度（℃）

自然数

GPU功率

DCGM_FI_DEV_POWER_USAGE

表示GPU功率。

瓦特（W）

>0

显存温度

DCGM_FI_DEV_MEMORY_TEMP

表示显存温度。

摄氏度（℃）

自然数

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%

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%

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

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

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

-

-

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

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

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

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

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%

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

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

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

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

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%

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

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

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%

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%

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

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

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%

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%

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

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

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

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

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

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

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

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

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

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

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

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

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。