云原生AI的监控组件能够帮助您从不同的维度（比如：集群、节点、训练任务等）监控集群的GPU资源使用情况，以及集群的各命名空间下的资源配额使用情况。本文分别从集群、节点、训练任务和资源配额维度介绍监控大盘，以及介绍如何安装和使用云原生AI监控大盘。

前提条件

  • 本文仅支持ACK Pro版集群，且Kubernetes集群版本大于等于1.18.8。
  • Arena组件版本大于等于0.7.0。具体操作，请参见：安装Arena。
  • 安装ARMS Prometheus监控组件，具体操作，请参见arms-prometheus。
  • 安装AI运维控制台组件。具体操作，请参见安装云原生AI套件。

背景信息

当使用Arena提交训练任务后，您可能需要从集群、节点、训练任务或资源配额的维度去查看GPU的使用率、GPU显存的使用情况。传统的ACK集群只能从节点的维度监控该节点的GPU使用情况（使用率、显存使用情况、功率等）或者从Pod维度监控该Pod使用GPU的情况。

基于以上存在的问题，阿里云容器服务研发了云原生AI监控大盘，该大盘相比传统的ACK集群GPU监控大盘，有如下特点：

  • 整个监控大盘由四个部分组成：集群、节点、训练任务、资源配额。
  • 集群监控大盘主要展示集群总的GPU节点数、不健康GPU节点数、GPU平均利用率、各个状态的训练任务数等。
  • 节点监控大盘主要展示每个节点的总GPU卡数、已分配GPU卡数、GPU的使用率、节点GPU显存使用情况等。
  • 训练任务监控大盘主要展示每个训练任务的状态、已运行时长、申请GPU数、GPU的平均利用率、GPU显存使用情况等。
  • 资源配额监控大盘主要展示每种资源配额在某个Namespace下的分配和使用情况，比如：Max Quota、Min Quota和Used Quota等。

安装云原生AI监控组件

  1. 登录容器服务管理控制台。
  2. 在控制台左侧导航栏中，单击集群。
  3. 在集群列表页面中，单击目标集群名称或者目标集群右侧操作列下的详情。
  4. 在左侧导航栏，选择应用 > AI工程加速（公测）。
  5. 安装监控组件。
    • 如果您之前已经部署过云原生AI套件：

      在云原生AI套件页面，找到云原生AI监控组件ack-arena-exporter，然后单击右侧操作列下的部署。

    • 如果您之前未部署过云原生AI套件：

      在云原生AI套件页面，单击一键部署，然后在监控区域，选中监控组件后，单击部署云原生AI套件。

监控大盘介绍

集群监控大盘

进入云原生AI运维控制台后，默认进入的是集群监控大盘页面。具体操作，请参见方式一：使用公网Ingress访问AI运维控制台。

集群监控大盘有以下可供您查看的指标：

  • GPU Summary Of Cluster：展示集群中总的GPU节点数、已分配的GPU节点数、不健康的GPU节点数。
  • Total GPU Nodes：集群中总的GPU节点数。
  • Unhealthy GPU Nodes：不健康的GPU节点数。
  • GPU Memory(Used/Total)：集群已使用GPU显存与总的GPU显存的百分比。
  • GPU Memory(Allocated/Total)：集群已分配GPU显存与总的GPU显存百分比。
  • GPU Utilization：集群GPU的平均利用率。
  • GPUs(Allocated/Total)：集群已分配GPU卡的个数与总的GPU卡数的百分比。
  • Training Job Summary Of Cluster：集群中各种状态（Running、Pending、Succeeded、Failed）的训练任务数。
jk1

节点监控大盘

在集群监控大盘页面，单击右上角的Nodes，进入节点监控大盘。

节点监控大盘有以下可供您查看的指标：

  • GPU Node Details：以表格的形式展示集群节点的相关信息，包括：
    • 节点名称（Name）
    • 节点在集群中的IP（IP）
    • 节点在集群中的角色（Role）
    • 节点的状态（Status）
    • GPU模式：独占或共享（GPU Mode）
    • 节点拥有GPU卡的个数（Total GPUs）
    • 节点拥有总的GPU显存（Total GPU Memory）
    • 节点已分配GPU卡数（Allocated GPUs）
    • 节点已分配GPU显存（Allocated GPU Memory）
    • 节点已使用GPU显存（Used GPU Memory）
    • 节点GPU平均使用率（GPU Utilization）
  • GPU Duty Cycle：每个节点的每个GPU的使用率。
  • GPU Memory Usage：每个节点的每个GPU的显存使用量。
  • GPU Memory Usage Percentage：每个节点的每个GPU的显存使用百分比。
  • Allocated GPUs Per Node：每个节点已分配的GPU卡数。
  • GPU Number Per Node：每个节点的总GPU卡数。
  • Total GPU Memory Per Node：每个节点的总GPU显存。
jk21jk22

您可以根据节点监控大盘左上角的gpu_node和GPU筛选项，对节点和GPU卡进行筛选，以便您查看到目标节点上的GPU使用情况。

jk23

训练任务监控大盘

在节点监控大盘页面，单击右上角TrainingJobs，进入训练任务的监控大盘。

训练任务监控大盘有以下可供您查看的指标：

  • Training Jobs：通过表格的形式展示各个训练任务的情况，包括：
    • 训练任务所在命名空间（Namespace）
    • 训练任务名称（Job Name）
    • 训练任务类型（Job Type）
    • 训练任务状态（Job Status）
    • 训练任务持续时间（Duration）
    • 训练任务请求GPU卡数（Request GPUs）
    • 训练任务请求的GPU显存（Allocated GPU Memory）
    • 训练任务当前使用的GPU显存（Used GPU Memory）
    • 训练任务的GPU平均利用率（GPU Utilization）
  • Job Instance Used GPU Memory：训练任务中的各个实例的已使用GPU显存。
  • Job Instance Used GPU Memory Percentage：训练任务中各个实例使用GPU显存的百分比。
  • Job Instance GPU Duty Cycle：训练任务中各个实例的GPU利用率。
jk31

您可以根据训练任务监控大盘左上角的job_namespace、job_type和job_name等筛选项，对训练任务从不同维度进行筛选，以便您查看到目标训练任务的具体情况。

jk32

资源配额监控大盘

在训练任务监控大盘页面，单击右上角的Quota，进入资源配额监控大盘。

资源配额监控大盘有以下可供您查看的指标：

  • Quota(cpu)
  • Quota(memory)
  • Quota(nvidia.com/gpu)
  • Quota(aliyun.com/gpu-mem)
  • Quota(aliyun.com/gpu)

以上枚举的每一个指标都以表格的形式展示资源配额的相关信息，包括：

  • Elastic Quota Name：资源配额的名称。
  • Namespace：资源所属的Namespace。
  • Resource Name：资源类型的名称。
  • Max Quota：您在某个Namespace下某种资源所使用的上限。
  • Min Quota：当整个集群资源紧张时，您在某个Namespace下可以使用的保障资源。
  • Used Quota: 您在某个Namespace下，某种资源的已使用值。
jk41

使用云原生AI监控大盘示例

本文以使用Arena提交一个mpijob任务，然后查看监控大盘的变化为例，说明如何使用云原生AI监控大盘。

  1. 进入云原生AI运维控制台，默认进入的是集群监控大盘页面。

    当集群没有任何训练任务时，集群监控大盘如下。

    jk51

    由上图可知，集群总共有两个GPU节点，总共有2张GPU卡。

  2. 执行以下命令，提交一个mpijob。
    arena submit mpijob \
    --name=mpi-test \
    --gpus=1 \
    --workers=1 \
    --working-dir=/perseus-demo/tensorflow-demo/ \
    --image=registry.cn-beijing.aliyuncs.com/ai-samples/horovod:0.13.11-tf1.10.0-torch0.4.0-py3.5 \
    'mpirun python /benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py --model resnet101 --batch_size 64 --num_batches 5000 --variable_update horovod --train_dir=/training_logs --summary_verbosity=3 --save_summaries_steps=10'
  3. 再次查看集群监控大盘。
    jk52

    由上图可知，集群的GPU的平均利用率、已分配GPU个数与总的GPU数的百分比等指标发生了变化。

  4. 执行以下命令，查看任务所在的节点。
    arena list

    预期输出：

    NAME      STATUS   TRAINER  DURATION  GPU(Requested)  GPU(Allocated)  NODE
mpi-test  RUNNING  MPIJOB   8s        1               1               192.168.1.151
  5. 在集群监控大盘页面，单击右上角的Nodes，进入节点监控大盘。由步骤4中得出任务所在的节点IP为192.168.1.151，在节点监控大盘上，您可以看到该节点上GPU的相关指标发生的变化如下。
    jk53
  6. 在节点监控大盘页面，单击右上角TrainingJobs，进入训练任务监控大盘，您可以查看训练任务的相关信息（任务名、任务状态等）。
    jk54