DSW监控与报警-人工智能平台 PAI(PAI)-阿里云帮助中心

DSW实例支持查看和监控资源使用情况，提供CPU、内存、GPU等详细监控指标，并可通过云监控或ARMS实现报警配置与通知。当资源水位异常（如GPU使用率超阈值）时，系统将触发报警，帮助您实时掌握实例负载状态。

适用范围

监控功能当前支持预付费资源（通用计算资源和灵骏智算资源）创建的DSW实例，不支持公共资源创建的DSW实例。

监控方式概览

DSW提供多种监控方式，您可以根据需求选择合适的方式：

监控方式	特点	适用场景	计费说明
使用DSW控制台查看监控页面	操作便捷，与DSW控制台集成，无需额外配置。功能相对基础，不支持报警配置和历史数据查询。	适用于开发或调试过程中，对单个实例实时查看资源状态。	免费使用
使用云监控配置监控和报警	支持配置灵活的报警规则，可通过多种方式发送通知。支持通过API订阅指标数据，便于二次开发和系统集成。	适用于需要对DSW实例进行常态化、自动化监控和异常报警的生产环境。	云监控为独立计费云产品，会产生额外费用，计费详情参见云监控计费说明。
使用应用实时监控ARMS配置监控和告警	专业的云原生可观测平台，提供丰富的可视化能力。内置Grafana大盘，提供开箱即用的监控视图。基于Prometheus提供更灵活、强大的告警配置能力。	适用于需要深度定制监控大盘、进行多维度数据钻取分析的场景，或希望将DSW监控统一纳入ARMS可观测体系的用户。	ARMS为独立计费云产品，会产生额外费用，计费详情参见ARMS计费说明。

使用DSW控制台查看监控页面

在DSW实例列表页单击实例名称进入详情页，切换至监控页签。在此页面可查看实例的CPU、内存、GPU等资源状态信息。

监控页面包含实例维度和GPU维度子页签。在实例维度下，监控数据按CPU和内存、GPU、网络和磁盘、其他分类展示，并支持选择1小时至14天的时间范围查看对应指标的折线图。

使用云监控配置监控和报警

云监控（CloudMonitor）是一款针对阿里云资源和互联网应用进行监控的服务，为云上用户提供开箱即用的企业级一站式监控解决方案。您可以登录云监控控制台，查看DSW实例监控数据，并设置告警通知。云监控还支持通过API订阅指标数据，助您建立自己的监控系统和数据大盘。

查看监控数据

登录云监控控制台，在左侧导航栏单击云产品大盘，产品搜索并选择PAI-交互式建模（DSW），然后选择需要查询的工作空间和实例。

查询工作空间ID参见管理工作空间。查询实例ID参见控制台访问和管理DSW。

进入大盘页面后，可选择实例维度或GPU维度页签，通过筛选条件（jobId、pod）定位具体实例，查看GPU显存设备接口使用率、GPU算力使用率、GPU SM设备使用率等监控指标。

配置监控报警

通过监控报警功能，您可以监控DSW实例的资源水位，并灵活配置报警规则。

配置报警联系人

登录云监控控制台。
在左侧导航栏，选择报警服务 > 报警联系人。
在报警联系人页签，单击创建联系人，填写报警联系人的姓名、手机号码、邮箱或Webhook地址，并单击确认。
在报警联系组页签，单击新建联系人组，填写报警联系人组的组名，并选择已有报警联系人，然后单击确认。

配置报警规则

在云监控控制台的左侧导航栏，单击云资源监控 > 云产品监控，然后在搜索栏中搜索并选择PAI-交互式建模（DSW）。
在PAI-交互式建模（DSW）页面，选择服务所在的地域，并单击创建报警规则。

在创建报警规则页面，配置如下关键参数，并单击确认。更多参数说明参见创建报警规则。

参数	描述
产品	选择PAI-交互式建模（DSW）。
资源范围	报警规则的作用范围：全部资源：报警规则作用于DSW的全部资源上。应用分组：报警规则作用于DSW的指定应用分组内的全部资源上。实例：报警规则作用于DSW指定工作空间下的实例上。
规则描述	报警规则主体，当监控数据满足指定条件时，触发报警规则。设置方法参见创建报警规则。
通道沉默周期	报警发生后如果未恢复正常，间隔多久重复发送一次报警通知。
生效时间	报警规则的生效时间。报警规则只在生效时间内才会检查监控数据是否需要报警。
报警联系人组	发送报警的联系人组，选择已绑定报警联系人的报警组。

在PAI-交互式建模（DSW）页面，单击查看报警规则，可以查看已创建的报警规则详情、报警历史等。

使用OpenAPI订阅监控指标

云监控提供完善的API服务，您可以通过调用API订阅DSW的监控指标及数据，搭建监控系统和数据大盘。具体操作步骤，参见云产品监控API目录。

云监控API	API概述
DescribeMetricLast	查询指定监控项的最新监控数据。
DescribeMetricList	查询指定云产品的指定监控项的监控数据。
DescribeMetricData	查询指定云产品的某个监控项的监控数据。
DescribeMetricMetaList	查询云监控开放的监控项详情。
DescribeProjectMeta	查询云监控支持的时序类监控项产品列表。
DescribeMetricTop	先查询指定云产品的指定监控项的最新监控数据，再查询该监控项排序后的监控数据。

以DescribeMetricList接口为例，说明如何调用该API查询DSW指定指标的监控数据。

前往DSW指标列表页面。在指标列表页面，单击目标指标操作列下的获取指标数据，以CPU使用率CONTAINER_CPU_UTIL为例。

在OpenAPI门户页面，配置以下关键参数，其他参数取默认配置。更多参数配置说明，参见DescribeMetricList。

参数	描述
Namespace	配置为`acs_pai_dsw`。
MetricName	配置对应的监控指标。例如`CONTAINER_CPU_UTIL`。
StartTime	开始时间。例如`2025-11-05 00:00:00`。
EndTime	结束时间。例如`2025-11-05 01:00:00`。说明 StartTime和EndTime之间的间隔小于等于31天。

参数配置完成后，单击发起调用，即可查看对应时间段的监控数据。
调用成功后，状态码显示200，响应体以JSON格式返回多条监控记录，每条包含Value、timestamp、jobId、pod、regionId、userId、workspaceId等字段。

使用ARMS配置监控和告警

应用实时监控服务ARMS（Application Real-Time Monitoring Service）是一款阿里云云原生可观测产品平台。基于ARMS提供的能力，您可以自定义DSW的Grafana大盘，以及使用Prometheus配置灵活的告警规则，全面监控DSW实例指标数据。

接入监控数据

具体操作步骤：

登录ARMS控制台，在左侧导航栏单击接入中心 > 人工智能，然后单击阿里云 PAI-交互式建模（DSW）。
在弹出面板的开始接入页签，选择数据存储地域并配置接入名称，然后单击确定。
大约等待1~2分钟即可完成DSW的接入。您也可以切换到效果预览、采集指标及告警规则模板页签，分别查看指标监控大盘、支持采集的指标以及告警规则名称和模板详情。
接入完成后，在左侧导航栏单击接入管理 > 已接入组件，即可看到接入的阿里云 PAI-交互式建模（DSW）。

查看Grafana大盘

登录ARMS控制台，在左侧导航栏单击接入管理 > 已接入组件 > 阿里云 PAI-交互式建模（DSW） > 大盘列表，然后单击大盘名称查看内置的Grafana大盘。
在Grafana大盘页面您可以根据DSW实例的ID查询指定实例的状态。

配置Prometheus告警

登录ARMS控制台，在左侧导航栏单击接入管理 > 已接入组件 > 阿里云 PAI-交互式建模（DSW） > 告警列表，即可查看内置的告警规则。
内置的告警规则包括Instance/POD状态、网络重传率、内存使用百分比、GPU SM设备使用率、GPU设备Tensor pipe利用率等P2级告警，告警分组为cloud-dsw-Cloud-Default，可对告警规则执行编辑、启动、复制、查看告警等操作。
内置的告警规则会产生告警事件，但不会发送告警通知。您可以通过以下两种方式配置通知：
- 通过编辑告警规则配置通知方式。单击告警规则操作列的编辑，进入Prometheus告警规则配置页面，按需设置告警条件、告警内容和告警通知。有关告警详细配置的信息，参见创建Prometheus告警规则。
  示例配置：自定义PromQL语句设置为AliyunDsw_INSTANCE_STATE_ACTIVE{} > 80，持续时间设置为2分钟，告警等级选择P2，告警内容填写对应指标描述。告警通知选择极简模式，通知方式勾选电话、短信、邮箱，通知时段设为00:00至23:59，完成后单击完成。
- 通过设置通知策略，制定针对告警事件的匹配规则。当匹配规则被触发时，系统会以您指定的通知方式向通知对象发送告警信息。具体操作，参见通知策略。