Puoi visualizzare i grafici nella scheda Metriche del job di Dataflow nella console Google Cloud. Ogni metrica è organizzata nelle seguenti dashboard:
Metriche della panoramica
Metriche in modalità flusso (solo pipeline di flusso)
- Aggiornamento dei dati (con e senza Streaming Engine)
- Latenza del sistema (con e senza Streaming Engine)
- Backlog
- Elaborazione (solo Streaming Engine)
- Parallismo (solo Streaming Engine)
- Persistenza (solo motore di streaming)
- Duplicati (solo motore di streaming)
- Timer (solo motore di streaming)
Metriche risorsa
Metriche di input
Metriche di output
Per ulteriori informazioni sugli scenari in cui puoi utilizzare queste metriche per il debug, consulta la sezione Strumenti per il debug in "Risolvere i problemi relativi a job lenti o bloccati".
Supporto e limitazioni
Quando utilizzi le metriche Dataflow, tieni presente i seguenti dettagli.
A volte i dati dei job non sono disponibili a intermittenza. Quando mancano i dati, Nei grafici del monitoraggio dei job vengono visualizzate delle lacune.
Alcuni di questi grafici sono specifici per le pipeline di streaming.
Per scrivere dati delle metriche, è necessario account di servizio gestito dall'utente deve disporre dell'autorizzazione API IAM
monitoring.timeSeries.create. Questa autorizzazione è inclusa nel ruolo Dataflow Worker.Il servizio Dataflow registra il tempo CPU riservato al termine dei job. Per i job illimitati (in streaming), il tempo CPU riservato viene riportato solo dopo l'annullamento o il fallimento dei job. Pertanto, le metriche dei job non includono il tempo CPU riservato per i job di streaming.
Accedi alle metriche del job
- Accedi alla console Google Cloud.
- Selezionare il tuo progetto Google Cloud.
- Apri il menu di navigazione e seleziona Dataflow.
- Nell'elenco dei job, fai clic sul nome del job. Si apre la pagina Dettagli job.
- Fai clic sulla scheda Metriche job.
Per accedere a informazioni aggiuntive nei grafici delle metriche del job, fai clic su Esplorare i dati.
Usa Cloud Monitoring
Dataflow è completamente integrato con Cloud Monitoring. Utilizza le funzionalità di Cloud Monitoring per le attività seguenti:
- Crea avvisi quando il job supera una soglia definita dall'utente.
- Utilizza Metrics Explorer per creare query e modificare l'intervallo di tempo delle metriche.
Per istruzioni sulla creazione di avvisi e sull'utilizzo di Metrics Explorer, consulta Usa Cloud Monitoring per le pipeline Dataflow.
Creare avvisi di Cloud Monitoring
Cloud Monitoring consente di creare avvisi quando il job Dataflow supera una soglia definita dall'utente. Per creare un avviso di Cloud Monitoring da un grafico delle metriche, fai clic su Crea criterio di avviso.
Se non riesci a visualizzare i grafici di monitoraggio o a creare avvisi, potresti aver bisogno di altre Autorizzazioni di monitoraggio.
Visualizza in Esplora metriche
Puoi visualizzare i grafici delle metriche Dataflow in Esplora metriche, in cui puoi creare query e regolare il periodo di tempo delle metriche.
Per visualizzare i grafici Dataflow in Metrics Explorer, nella visualizzazione Metriche del job, apri Altre opzioni del grafico e fai clic su Visualizza in Esplora metriche.
Quando modifichi l'intervallo di tempo delle metriche, puoi selezionare una durata predefinita o un intervallo di tempo personalizzato per analizzare il job.
Per impostazione predefinita, per i job in streaming e in batch in esecuzione, vengono mostrate le metriche delle sei ore precedenti per il job in questione. Per interrotti o completati per i job di flussi di dati, la visualizzazione predefinita mostra l'intero runtime per la durata del job.
Metriche I/O di Dataflow
Puoi visualizzare le seguenti metriche di I/O di Dataflow in Esplora metriche:
job/pubsub/write_count: richieste di pubblicazione Pub/Sub da PubsubIO.Write nei job Dataflow.job/pubsub/read_count: richieste pull di Pub/Sub da PubsubIO.Read nei job Dataflow.job/bigquery/write_count: BigQuery pubblica richieste da BigQueryIO.Write nei job Dataflow. Le metrichejob/bigquery/write_countsono disponibili nelle pipeline Python che utilizzano la trasformazione WriteToBigQuery conmethod='STREAMING_INSERTS'abilitato su Apache Beam 2.28.0 o versioni successive. Questa metrica è disponibile sia per le pipeline in batch che per quelle in streaming.- Se la pipeline utilizza un'origine o una destinazione BigQuery, per risolvere i problemi relativi alla quota, utilizza le metriche dell'API BigQuery Storage.
Per l'elenco completo delle metriche di Dataflow, consulta documentazione sulle metriche di Google Cloud.
Metriche relative a fasi e worker
Le sezioni seguenti forniscono dettagli sulle metriche relative alle fasi e ai worker disponibili nell'interfaccia di monitoraggio.
Scalabilità automatica
Il servizio Dataflow sceglie automaticamente il numero delle istanze worker necessarie per eseguire un job di scalabilità automatica. La di istanze worker può cambiare nel tempo in base ai requisiti del job.
Per visualizzare la cronologia delle modifiche alla scalabilità automatica, fai clic su Altra cronologia. Una tabella con vengono visualizzate informazioni sulla cronologia dei lavoratori del tuo lavoro.
Velocità effettiva
La velocità effettiva è il volume di dati elaborati in un determinato momento. Questa metrica per passaggio viene visualizzata come numero di elementi al secondo. Per visualizzare questa metrica in byte al secondo, consulta il grafico Velocità effettiva (byte/sec) più avanti nella pagina.
Conteggio log errori del worker
Il Conteggio log errori del worker mostra il tasso di errori osservato in tutti i worker in un determinato momento.
Aggiornamento dei dati (con e senza Streaming Engine)
La metrica di aggiornamento dei dati mostra la differenza in secondi tra il timestamp sull'elemento dati e sull'ora in cui l'evento viene elaborato nella pipeline. L'elemento di dati riceve un timestamp quando si verifica un evento sull'elemento, ad esempio come evento di clic su un sito web o come importazione da parte di Pub/Sub. Il watermark di output è l'ora in cui vengono elaborati i dati.
In qualsiasi momento, il job Dataflow elabora più elementi. I punti dati nel grafico dell'aggiornamento dei dati mostrano l'elemento con il ritardo maggiore rispetto all'ora dell'evento. Pertanto, la stessa linea nel grafico mostra dati per più elementi. Ogni punto dati nella riga mostra i dati relativi all'elemento più lento in quella fase della pipeline.
Se alcuni dati di input non sono stati ancora elaborati, la filigrana in uscita potrebbe essere in ritardo, il che influisce sull'aggiornamento dei dati. Una differenza significativa tra l'ora della filigrana e quella dell'evento potrebbe indicare un'operazione lenta o bloccata.
Per i job di streaming aggiornati di recente, le informazioni sullo stato e sul watermark dei job potrebbero non essere disponibili. L'operazione di aggiornamento apporta varie modifiche che richiedono minuti per propagarsi all'interfaccia di monitoraggio di Dataflow. Prova aggiornando l'interfaccia di monitoraggio 5 minuti dopo l'aggiornamento del job.
Per ulteriori informazioni, vedi Filigrane e dati in ritardo nella documentazione di Apache Beam.
La dashboard include i due grafici seguenti:
- Aggiornamento dei dati per fase
- Aggiornamento dei dati
Nell'immagine precedente, l'area evidenziata mostra una differenza sostanziale tra l'ora dell'evento e quella della filigrana di output, che indicano un funzionamento lento.
Le metriche relative all'aggiornamento dei dati elevato (ad esempio, le metriche che indicano che i dati sono meno aggiornati) potrebbero essere causate da:
- Colli di bottiglia delle prestazioni: se la pipeline presenta fasi con un'elevata latenza di sistema o log che indicano trasformazioni bloccate, la pipeline potrebbe avere problemi di prestazioni che potrebbero aumentare l'aggiornamento dei dati. Per ulteriori accertamenti, consulta Risolvi i problemi relativi ai job lenti o bloccati.
- Bottleneck delle origini dati: se le origini dati presentano un backlog in crescita, i timestamp degli eventi degli elementi potrebbero discostarsi dalla marcatura temporale in attesa di essere elaborati. Un arretrato elevato è spesso causato da colli di bottiglia delle prestazioni
oppure a problemi relativi alle origini dati,
che vengono rilevati al meglio monitorando le origini utilizzate
dalla tua pipeline.
- Origini non ordinate come Pub/Sub possono generare le filigrane bloccate anche durante l'output con una frequenza elevata. Questa situazione si verifica perché gli elementi non viene restituito in ordine di timestamp e la filigrana si basa sul numero minimo Timestamp non elaborato.
- Ripetizioni frequenti: se vedi errori che indicano che gli elementi non vengono elaborati e vengono riprovati, i timestamp precedenti degli elementi riprovati potrebbero aumentare l'aggiornamento dei dati. La elenco di errori comuni di Dataflow può aiutarti a risolvere i problemi.
Latenza di sistema (con e senza Streaming Engine)
La latenza di sistema è il numero massimo attuale di secondi di un dato dati in fase di elaborazione o in attesa di elaborazione. Questa metrica indica il tempo di attesa di un elemento all'interno di una un'origine nella pipeline. La durata massima viene regolata dopo l'elaborazione. I seguenti casi sono considerazioni aggiuntive:
- Per più origini e destinazioni, la latenza del sistema è il tempo massimo di attesa di un elemento all'interno di un'origine prima che venga scritto in tutte le destinazioni.
- A volte, un'origine non fornisce un valore per il periodo di tempo per cui un elemento attende all'interno dell'origine. Inoltre, l'elemento potrebbe non disporre di metadati per definire l'ora dell'evento. In questo scenario, la latenza del sistema viene calcolata dal momento in cui la pipeline riceve per la prima volta l'elemento.
La dashboard include i due grafici seguenti:
- Latenza di sistema per fase
- Latenza di sistema
Backlog
La dashboard Backlog fornisce informazioni sugli elementi in attesa di essere elaborati. La dashboard include i due grafici seguenti:
- Secondi di backlog (solo Streaming Engine)
- Byte di backlog (con e senza Streaming Engine)
Il grafico Secondi di backlog mostra una stima del quantità di tempo in secondi necessaria per consumare il backlog attuale se non sono e la velocità effettiva non cambia. Il tempo di attesa stimato viene calcolato sia in base alla velocità in bit sia in base ai byte in coda dell'origine di input che devono ancora essere elaborati. Questa metrica viene utilizzata dalla funzionalità di scalabilità automatica per lo streaming per determinare quando eseguire lo scale up o lo scale down.
Il grafico Byte di backlog mostra la quantità di input noti non elaborati per una fase in byte. Questa metrica confronta i byte rimanenti che ogni fase deve utilizzare con le fasi upstream. Affinché questa metrica generi report accurati, ogni origine importata dalla pipeline deve essere configurata correttamente. Le origini integrate come Pub/Sub e BigQuery sono già supportate, ma le origini personalizzate richiedono un'implementazione aggiuntiva. Per maggiori dettagli, consulta la sezione sulla scalabilità automatica per origini personalizzate illimitate.
Elaborazione (solo Streaming Engine)
Quando esegui una pipeline Apache Beam nel servizio Dataflow, le attività della pipeline vengono eseguite sulle VM worker. Dashboard di Elaborazione fornisce informazioni sulla quantità di tempo che le attività sono state elaborate delle VM worker. La dashboard include: due grafici:
- Mappa termica delle latenze di elaborazione utente
- Latenze di elaborazione utente per fase
La mappa termica delle latenze di elaborazione utente mostra il numero massimo di operazioni per le distribuzioni del 50°, 95° e 99° percentile. Usa la mappa termica per capire se sono presenti long-tail le operazioni causano un'elevata latenza complessiva del sistema o influiscono negativamente l'aggiornamento complessivo dei dati.
Per risolvere un problema upstream prima che si trasformi in un problema downstream, imposta un avviso per le latenze elevate nel 50° percentile.
Il grafico Latenze di elaborazione utente per fase mostra il 99° percentile per tutte le attività elaborate dai worker, suddivise per fase. Se il codice utente causa un collo di bottiglia, questo grafico mostra la fase in cui si verifica. Puoi utilizzare la modalità segui questi passaggi per eseguire il debug della pipeline:
Utilizza il grafico per trovare una fase con una latenza insolitamente elevata.
Nella pagina dei dettagli del job, nella scheda Dettagli esecuzione, seleziona Flusso di lavoro delle fasi per Visualizzazione grafico. Individua la fase nel grafico Flusso di lavoro fase. con latenza insolitamente elevata.
Per trovare le operazioni utente associate, fai clic sul nodo della fase nel grafico.
Per trovare ulteriori dettagli, vai a Cloud Profiler e utilizzare Cloud Profiler per eseguire il debug dell'analisi dello stack nell'intervallo di tempo corretto. Aspetto per le operazioni utente identificate nel passaggio precedente.
Parallelismo (solo Streaming Engine)
Il grafico Elaborazione parallela mostra il numero approssimativo di chiavi in uso per l'elaborazione dei dati per ogni fase. Dataflow si scala in base al parallelismo di una pipeline.
Quando Dataflow esegue una pipeline, l'elaborazione viene distribuita su più macchine virtuali (VM) Compute Engine, note anche come worker. Il servizio Dataflow lo parallelizza e distribuisce automaticamente la logica di elaborazione della pipeline ai worker. L'elaborazione di una determinata chiave è serializzata, quindi il numero totale di chiavi per un rappresenta il massimo parallelismo disponibile in quella fase.
Le metriche di parallelismo possono essere utili per trovare chiavi di scelta rapida o colli di bottiglia per o pipeline bloccate.
Persistenza (solo Streaming Engine)
La dashboard Persistenza fornisce informazioni sulla frequenza con cui l'archiviazione permanente viene scritta e letta da una particolare fase della pipeline in byte e un numero elevato di operazioni di I/O al secondo. I byte letti e scritti includono le operazioni sullo stato utente e lo stato per shuffling permanenti, duplicati rimozione, input aggiuntivi e monitoraggio della filigrana. I programmatori della pipeline e la memorizzazione nella cache influiscono byte letti e scritti. I byte di archiviazione potrebbero essere diversi dai byte elaborati a causa all'utilizzo della memoria interna e alla memorizzazione nella cache.
La dashboard include i due grafici seguenti:
- Scrittura nello spazio di archiviazione
- Lettura dello spazio di archiviazione
Duplicati (solo motore di streaming)
Il grafico Duplicati mostra il numero di messaggi elaborati da una determinata fase che sono stati filtrati come duplicati.
Dataflow supporta molte origini e destinazioni che garantiscono l'invio at least once. Lo svantaggio della pubblicazione con at least once è che può generare duplicati.
Dataflow garantisce la pubblicazione exactly once, il che significa che i duplicati vengono filtrati automaticamente.
Le fasi a valle vengono risparmiate dalla rielaborazione degli stessi elementi, il che garantisce che lo stato e gli output non siano interessati.
La pipeline può essere ottimizzata per le risorse e il rendimento riducendo il numero di duplicati prodotti in ogni fase.
Timer (solo Streaming Engine)
La dashboard Timer fornisce informazioni sul numero di timer in attesa e sul numero di timer già elaborati in una determinata fase della pipeline. Poiché le finestre si basano su timer, questa metrica ti consente di monitorare l'avanzamento delle finestre.
La dashboard include i seguenti due grafici:
- Timer in attesa per fase
- Elaborazione dei timer per fase
Questi grafici mostrano la frequenza con cui le finestre sono in attesa o in fase di elaborazione in un determinato momento. Il grafico Timer in attesa per fase indica il numero di le finestre subiscono ritardi a causa di colli di bottiglia. Grafico Timer per fase di elaborazione indica quante finestre raccolgono elementi.
Questi grafici mostrano tutti i timer dei job, quindi se i timer vengono utilizzati altrove nel codice, vengono visualizzati anche in questi grafici.
Utilizzo CPU
L'utilizzo della CPU è la quantità di CPU utilizzata divisa per la quantità di CPU disponibile per l'elaborazione. Questa metrica per worker viene visualizzata in percentuale. La dashboard include i seguenti quattro grafici:
- Utilizzo CPU (tutti i worker)
- Utilizzo della CPU (statistiche)
- Utilizzo CPU (primi 4)
- Utilizzo CPU (ultimi 4)
Utilizzo memoria
L'utilizzo della memoria è la quantità stimata di memoria utilizzata dai worker in byte al secondo. La dashboard include i seguenti due grafici:
- Utilizzo massimo della memoria da parte del worker (byte/sec stimati)
- Utilizzo della memoria (byte/sec stimati)
Il grafico Utilizzo massimo della memoria da parte dei worker fornisce informazioni sui worker che utilizzano più memoria nel job Dataflow in ogni momento. Se, in momenti diversi durante un lavoro, il lavoratore utilizza il limite massimo quantità di memoria modificata, la stessa riga del grafico mostra i dati relativi a più worker. Ogni punto dati nella linea visualizza i dati per il worker utilizzando la quantità massima di memoria in quel momento. Il grafico confronta la memoria stimata utilizzata dal worker con il limite di memoria in byte.
Puoi utilizzare questo grafico per risolvere i problemi di esaurimento della memoria. Memoria worker insufficiente gli arresti anomali non vengono mostrati in questo grafico.
Il grafico Utilizzo della memoria mostra una stima della memoria utilizzata da tutti i worker nel job Dataflow rispetto al limite di memoria in byte.
Metriche di input e output
Se il job Dataflow in streaming legge o scrive record utilizzando Pub/Sub, vengono visualizzate le metriche di input e di output.
Vengono combinate tutte le metriche di input dello stesso tipo e tutte le metriche di output. Ad esempio, tutte le metriche Pub/Sub sono raggruppate in una sezione. Ogni tipo di metrica è organizzato in una sezione separata. Per modificare le metriche visualizzate, seleziona la sezione a sinistra che rappresenta al meglio le metriche che stai cercando. Le immagini seguenti mostrano tutte le sezioni disponibili.
I due grafici seguenti vengono visualizzati nelle sezioni Metriche di input e Metriche di output.
Richieste al secondo
Richieste al secondo è la frequenza di richieste API di lettura o scrittura di dati in base all'origine o al sink nel tempo. Se questo tasso scende a zero o diminuisce in modo significativo per un periodo di tempo prolungato. rispetto al comportamento previsto, l'esecuzione della pipeline potrebbe essere bloccata alcune operazioni. Inoltre, potrebbero non esserci dati da leggere. In tal caso, rivedi i passaggi del job con un livello elevato di filigrana di sistema. Inoltre, esamina i log dei worker per rilevare errori o indicazioni relative a un'elaborazione lenta.
Errori di risposta al secondo per tipo di errore
Errori di risposta al secondo per tipo di errore è la percentuale di richieste API non riuscite da leggere o scrivere dati dall'origine o dal sink nel tempo. Se questi errori si verificano spesso, le richieste API potrebbero rallentare l'elaborazione. Queste richieste API non riuscite devono essere esaminate. Per risolvere questi problemi, consulta le Codici di errore di input e output. Esamina anche l'eventuale documentazione relativa ai codici di errore specifica utilizzata dall'origine o dal sink, come Codici di errore Pub/Sub.
