在AOM控制台查看ModelArts所有监控指标
ModelArts会定期收集资源池中各节点的关键资源（GPU、NPU、CPU、Memory等）的使用情况以及开发环境、训练作业、推理服务的关键资源的使用情况，并上报到AOM，用户可直接在AOM上查看。
登录AOM控制台查看监控指标
- 登录控制台，搜索AOM，进入“应用运维管理”控制台。
- 在左侧导航栏中选择“指标浏览”。
- 从指标源下拉列表选择“Prometheus_AOM_Default”实例。
图1 选择指标源
- 通过“全量指标”或“按普罗语句添加”方式选择一个或多个关注的指标。
图2 添加指标
关于更多指标浏览方法请参考华为云帮助中心“应用运维管理 AOM> 用户指南（2.0）> 指标浏览”。
容器级别的指标介绍
|
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=活跃的匿名页和缓存，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 |
|
|
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 |
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。 |
|
|
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 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。 Snt9C无此指标。 |
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（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（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（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（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（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（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 |
|
|
AI处理器控制CPU频率 |
ma_node_npu_ctrl_cpu_frequency_hertz |
昇腾系列AI处理器控制CPU频率 |
赫兹（Hz） |
>0 系统态（专属池用户态） |
NA |
NA |
NA |
|
|
AI处理器Vector CORE利用率 |
ma_container_npu_vector_core_util |
昇腾系列AI处理器Vector 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。 |
|
|
NPU RoCE网络 |
NPU RoCE网络上行速率 |
ma_container_npu_roce_tx_rate_bytes_per_second |
容器所使用的NPU网络模块上行速率 |
字节/秒（Bytes/Second） |
≥0 |
NA |
NA |
NA |
|
NPU RoCE网络下行速率 |
ma_container_npu_roce_rx_rate_bytes_per_second |
容器所使用的NPU网络模块下行速率 |
字节/秒（Bytes/Second） |
≥0 |
NA |
NA |
NA |
|
|
Notebook业务指标 |
Notebook cache目录大小 |
ma_container_notebook_cache_dir_size_bytes |
GPU和NPU类型的Notebook会在“/cache”目录上挂载一块高速本地磁盘，该指标描述该目录的总大小。 |
字节（Bytes） |
≥0 |
NA |
NA |
NA |
|
Notebook cache目录利用率 |
ma_container_notebook_cache_dir_util |
GPU和NPU类型的Notebook会在“/cache”目录上挂载一块高速本地磁盘，该指标描述该目录的利用率。 |
百分比（Percent） |
0～100% |
连续2个周期原始值 > 90% |
重要 |
磁盘使用率过高时，会导致Notebook实例重启。 |
节点级别的指标介绍
|
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。 |
|
|
磁盘信息 |
ma_node_disk_info |
该指标用于展示磁盘的基础信息 |
- |
≥0 |
NA |
NA |
NA |
|
|
读取次数 |
ma_node_disk_reads_completed_total |
成功完成的读取总次数 |
- |
≥0 |
NA |
NA |
NA |
|
|
合并读取的次数 |
ma_node_disk_reads_merged_total |
合并读取的次数 |
- |
≥0 |
NA |
NA |
NA |
|
|
读取字节数 |
ma_node_disk_read_bytes_total |
成功读取的总字节数 |
字节（Bytes） |
≥0 |
NA |
NA |
NA |
|
|
读取花费秒数 |
ma_node_disk_read_time_seconds_total |
所有读取所花费的总秒数 |
秒（Seconds） |
≥0 |
NA |
NA |
NA |
|
|
写入次数 |
ma_node_disk_writes_completed_total |
成功完成的写入总数 |
- |
≥0 |
NA |
NA |
NA |
|
|
合并写入的次数 |
ma_node_disk_writes_merged_total |
合并写入的次数 |
- |
≥0 |
NA |
NA |
NA |
|
|
写入字节数 |
ma_node_disk_written_bytes_total |
成功写入的总字节数 |
字节（Bytes） |
≥0 |
NA |
NA |
NA |
|
|
写入花费秒数 |
ma_node_disk_write_time_seconds_total |
所有写入操作花费的总秒数 |
秒（Seconds） |
≥0 |
NA |
NA |
NA |
|
|
当前IO数量 |
ma_node_disk_io_now |
当前正在进行的I/O数量 |
- |
≥0 |
NA |
NA |
NA |
|
|
IO花费总秒数 |
ma_node_disk_io_time_seconds_total |
执行I/O所花费的总秒数 |
秒（Seconds） |
≥0 |
NA |
NA |
NA |
|
|
IO花费加权秒数 |
ma_node_disk_io_time_weighted_seconds_tota |
执行I/O所花费的加权秒数 |
秒（Seconds） |
≥0 |
NA |
NA |
NA |
|
|
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 |
|
|
GPU显存空闲容量 |
ma_node_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 |
|
|
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）。 |
≥0 |
兆字节（Megabytes） |
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）。 |
>0 |
兆字节（Megabytes） |
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 |
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 |
|
|
NPU整体利用率 |
ma_node_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 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。 Snt9C无此指标。 |
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（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（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（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（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（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（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 |
|
|
AI处理器控制CPU频率 |
ma_node_npu_ctrl_cpu_frequency_hertz |
昇腾系列AI处理器控制CPU频率 |
赫兹（Hz） |
>0 系统态（专属池用户可见） |
NA |
NA |
NA |
|
|
HBM ECC检测开关 |
ma_node_npu_hbm_ecc_enable |
0表示ecc检测未使能；1表示ecc检测使能。 |
- |
|
NA |
NA |
NA |
|
|
HBM单比特当前错误计数 |
ma_node_npu_hbm_single_bit_error_total |
HBM单比特当前错误计数 |
个 |
≥0 |
NA |
NA |
NA |
|
|
HBM多比特当前错误计数 |
ma_node_npu_hbm_double_bit_error_total |
HBM多比特当前错误计数 |
个 |
≥0 |
NA |
NA |
NA |
|
|
HBM生命周期内所有单比特错误数量 |
ma_node_npu_hbm_total_single_bit_error_total |
HBM生命周期内所有单比特错误数量 |
个 |
≥0 |
NA |
NA |
NA |
|
|
HBM生命周期内所有多比特错误数量 |
ma_node_npu_hbm_total_double_bit_error_total |
HBM生命周期内所有多比特错误数量 |
个 |
≥0 |
NA |
NA |
NA |
|
|
HBM单比特错误隔离内存页数量 |
ma_node_npu_hbm_single_bit_isolated_pages_total |
HBM单比特错误隔离内存页数量 |
个 |
≥0 |
NA |
NA |
NA |
|
|
HBM多比特错误隔离内存页数量 |
ma_node_npu_hbm_double_bit_isolated_pages_total |
HBM多比特错误隔离内存页数量。说明： 若此计数达到64及以上，请更换此NPU。 |
个 |
≥0 |
连续2个周期原始值 >= 64 |
严重 |
若此计数达到64及以上，请提交工单，切换NPU机器 |
|
|
AI处理器Vector CORE利用率 |
ma_node_npu_vector_core_util |
昇腾系列AI处理器Vector Core利用率 |
百分比（Percent） |
0～100% |
NA |
NA |
NA |
|
|
NPU RoCE网络 |
NPU RoCE网络上行速率 |
ma_node_npu_roce_tx_rate_bytes_per_second |
NPU RoCE网络上行速率 |
字节/秒（Bytes/Second） |
≥0 |
NA |
NA |
NA |
|
NPU RoCE网络下行速率 |
ma_node_npu_roce_rx_rate_bytes_per_second |
NPU RoCE网络下行速率 |
字节/秒（Bytes/Second） |
≥0 |
NA |
NA |
NA |
|
|
MAC上行pause帧总数 |
ma_node_npu_roce_mac_tx_pause_packets_total |
NPU RoCE网络MAC发送的pause帧总报文数 |
个 |
≥0 |
NA |
NA |
NA |
|
|
MAC下行pause帧总数 |
ma_node_npu_roce_mac_rx_pause_packets_total |
NPU RoCE网络MAC接收的pause帧总报文数 |
个 |
≥0 |
NA |
NA |
NA |
|
|
MAC上行pfc帧总数 |
ma_node_npu_roce_mac_tx_pfc_packets_total |
NPU RoCE网络MAC发送的PFC帧总报文数 |
个 |
≥0 |
delta(ma_node_npu_roce_mac_tx_pause_packets_total[1m]) > 0 |
重要 |
建议提交工单处理。 |
|
|
MAC下行pfc帧总数 |
ma_node_npu_roce_mac_rx_pfc_packets_total |
NPU RoCE网络MAC接收的PFC帧总报文数 |
个 |
≥0 |
delta(ma_node_npu_roce_mac_rx_pause_packets_total[1m]) > 0 |
重要 |
建议提交工单处理。 |
|
|
MAC上行坏包总数 |
ma_node_npu_roce_mac_tx_bad_packets_total |
NPU RoCE网络MAC发送的坏包总报文数 |
个 |
≥0 |
delta(ma_node_npu_roce_mac_tx_pfc_packets_total[1m]) > 0 |
重要 |
建议提交工单处理。 |
|
|
MAC下行坏包总数 |
ma_node_npu_roce_mac_rx_bad_packets_total |
NPU RoCE网络MAC接收的坏包总报文数 |
个 |
≥0 |
delta(ma_node_npu_roce_mac_rx_pfc_packets_total[1m]) > 0 |
重要 |
建议提交工单处理。 |
|
|
RoCE上行坏包总数 |
ma_node_npu_roce_tx_err_packets_total |
NPU ROCE发送的坏包总报文数 |
个 |
≥0 |
delta(ma_node_npu_roce_mac_tx_bad_packets_total[1m]) > 0 |
重要 |
建议提交工单处理。 |
|
|
RoCE下行坏包总数 |
ma_node_npu_roce_rx_err_packets_total |
NPU ROCE接收的坏包总报文数 |
个 |
≥0 |
delta(ma_node_npu_roce_mac_rx_bad_packets_total[1m]) > 0 |
重要 |
建议提交工单处理。 |
|
|
RoCE上行包总数 |
ma_node_npu_roce_tx_all_packets_total |
NPU ROCE发送的总报文数 |
个 |
≥0 |
delta(ma_node_npu_roce_tx_err_packets_total[1m]) > 0 |
重要 |
建议提交工单处理。 |
|
|
RoCE下行包总数 |
ma_node_npu_roce_rx_all_packets_total |
NPU ROCE接收的总报文数 |
个 |
≥0 |
delta(ma_node_npu_roce_rx_err_packets_total[1m]) > 0 |
重要 |
建议提交工单处理。 |
|
|
NPU 光模块（Snt9B/C风冷组网具备该指标） |
光模块温度 |
ma_node_npu_optical_temperature |
光模块温度 |
摄氏度 C |
≥0 |
NA |
NA |
NA |
|
光模块电源电压 |
ma_node_npu_optical_vcc |
光模块电源电压 |
毫伏 mV |
≥0 |
NA |
NA |
NA |
|
|
光模块发送功率0 |
ma_node_npu_optical_tx_power0 |
光模块发送功率0 |
毫瓦 mW |
≥0 |
NA |
NA |
NA |
|
|
光模块发送功率1 |
ma_node_npu_optical_tx_power1 |
光模块发送功率1 |
毫瓦 mW |
≥0 |
NA |
NA |
NA |
|
|
光模块发送功率2 |
ma_node_npu_optical_tx_power2 |
光模块发送功率2 |
毫瓦 mW |
≥0 |
NA |
NA |
NA |
|
|
光模块发送功率3 |
ma_node_npu_optical_tx_power3 |
光模块发送功率3 |
毫瓦 mW |
≥0 |
NA |
NA |
NA |
|
|
光模块接收功率0 |
ma_node_npu_optical_rx_power0 |
光模块接收功率0 |
毫瓦 mW |
≥0 |
NA |
NA |
NA |
|
|
光模块接收功率1 |
ma_node_npu_optical_rx_power1 |
光模块接收功率1 |
毫瓦 mW |
≥0 |
NA |
NA |
NA |
|
|
光模块接收功率2 |
ma_node_npu_optical_rx_power2 |
光模块接收功率2 |
毫瓦 mW |
≥0 |
NA |
NA |
NA |
|
|
光模块接收功率3 |
ma_node_npu_optical_rx_power3 |
光模块接收功率3 |
毫瓦 mW |
≥0 |
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 |
网络相关指标
|
分类 |
名称 |
指标 |
指标含义 |
单位 |
取值范围 |
|---|---|---|---|---|---|
|
infiniband或RoCE网络 |
PortXmitData |
infiniband_port_xmit_data_total |
The total number of data octets, divided by 4, (counting in double words, 32 bits), transmitted on all VLs from the port. |
计数值 |
自然数 |
|
PortRcvData |
infiniband_port_rcv_data_total |
The total number of data octets, divided by 4, (counting in double words, 32 bits), received on all VLs from the port. |
计数值 |
自然数 |
|
|
SymbolErrorCounter |
infiniband_symbol_error_counter_total |
Total number of minor link errors detected on one or more physical lanes. |
计数值 |
自然数 |
|
|
LinkErrorRecoveryCounter |
infiniband_link_error_recovery_counter_total |
Total number of times the Port Training state machine has successfully completed the link error recovery process. |
计数值 |
自然数 |
|
|
PortRcvErrors |
infiniband_port_rcv_errors_total |
Total number of packets containing errors that were received on the port including: Local physical errors (ICRC, VCRC, LPCRC, and all physical errors that cause entry into the BAD PACKET or BAD PACKET DISCARD states of the packet receiver state machine) Malformed data packet errors (LVer, length, VL) Malformed link packet errors (operand, length, VL) Packets discarded due to buffer overrun (overflow) |
计数值 |
自然数 |
|
|
LocalLinkIntegrityErrors |
infiniband_local_link_integrity_errors_total |
This counter indicates the number of retries initiated by a link transfer layer receiver. |
计数值 |
自然数 |
|
|
PortRcvRemotePhysicalErrors |
infiniband_port_rcv_remote_physical_errors_total |
Total number of packets marked with the EBP delimiter received on the port. |
计数值 |
自然数 |
|
|
PortRcvSwitchRelayErrors |
infiniband_port_rcv_switch_relay_errors_total |
Total number of packets received on the port that were discarded when they could not be forwarded by the switch relay for the following reasons: DLID mapping VL mapping Looping (output port = input port) |
计数值 |
自然数 |
|
|
PortXmitWait |
infiniband_port_transmit_wait_total |
The number of ticks during which the port had data to transmit but no data was sent during the entire tick (either because of insufficient credits or because of lack of arbitration). |
计数值 |
自然数 |
|
|
PortXmitDiscards |
infiniband_port_xmit_discards_total |
Total number of outbound packets discarded by the port because the port is down or congested. |
计数值 |
自然数 |
Label相关指标介绍
|
指标对象 |
Label名字 |
Label描述 |
|---|---|---|
|
容器级别指标 |
modelarts_service |
容器属于哪个服务，包含notebook，train和infer。 |
|
instance_name |
容器所属pod的名字。 |
|
|
service_id |
页面展示的实例或者job id。如开发环境为：cf55829e-9bd3-48fa-8071-7ae870dae93a， 训练作业为：9f322d5a-b1d2-4370-94df-5a87de27d36e |
|
|
node_ip |
容器所属的节点IP值。 |
|
|
container_id |
容器ID。 |
|
|
cid |
集群ID。 |
|
|
container_name |
容器名称。 |
|
|
project_id |
用户所属的账号的project id。 |
|
|
user_id |
提交作业的用户所属的账号的user 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。 |
|
|
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。 |
|
|
logical_pool_id |
逻辑子池的id。 |
|
|
logical_pool_name |
逻辑子池的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。 |
|
|
account_name |
训练、推理或开发环境任务创建者的账号名。 |
|
|
user_name |
训练、推理或开发环境任务创建者的用户名。 |
|
|
task_creation_time |
训练、推理或开发环境任务的创建时间。 |
|
|
task_name |
训练、推理或开发环境任务的名称。 |
|
|
task_spec_code |
训练、推理或开发环境任务的规格。 |
|
|
cluster_name |
CCE集群名称。 |
|
|
node级别指标 |
cid |
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 |
cid |
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 |
网络设备或磁盘设备的名称。 |
|
|
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。 |
