Puoi visualizzare i grafici nella scheda Metriche dei job della pagina Dataflow nella console Google Cloud. Ogni metrica è organizzata nelle seguenti dashboard:
Metriche della panoramica
Metriche relative ai flussi di dati (solo pipeline in modalità flusso)
- Aggiornamento dei dati (con e senza Streaming Engine)
- Latenza di sistema (con e senza Streaming Engine)
- Arresto
- Elaborazione in corso (solo Streaming Engine)
- Parallelismo (solo Streaming Engine)
- Persistenza (solo Streaming Engine)
- Duplicati (solo Streaming Engine)
- Timer (solo Streaming Engine)
Metriche risorsa
Metriche di input
Metriche di output
Per ulteriori informazioni sugli scenari in cui puoi utilizzare queste metriche per il debug, consulta Strumenti per il debug in "Risolvere i problemi relativi a job lenti o bloccati".
Assistenza e limitazioni
Quando utilizzi le metriche Dataflow, tieni presente i seguenti dettagli.
A volte i dati del job non sono disponibili a intermittenza. Se mancano dati, le lacune vengono visualizzate nei grafici di monitoraggio dei job.
Alcuni di questi grafici sono specifici delle pipeline in modalità flusso.
Per scrivere i dati delle metriche, un account di servizio gestito dall'utente deve avere l'autorizzazione dell'API IAM
monitoring.timeSeries.create
. Questa autorizzazione è inclusa nel ruolo Worker Dataflow.Il servizio Dataflow segnala il tempo di CPU riservato dopo il completamento dei job. Per i job non vincolati (in modalità flusso), il tempo di CPU riservato viene segnalato solo dopo l'annullamento o l'esito negativo dei job. Di conseguenza, le metriche dei job non includono il tempo di CPU riservato per i job di inserimento dei flussi.
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 del job.
Per accedere a informazioni aggiuntive nei grafici delle metriche del job, fai clic su
Esplora i dati.Usa Cloud Monitoring
Dataflow è completamente integrato con Cloud Monitoring. Utilizza Cloud Monitoring per le seguenti attività:
- Crea avvisi quando la tua offerta di lavoro supera una soglia definita dall'utente.
- Utilizza Metrics Explorer per creare query e regolare l'intervallo di tempo delle metriche.
Per istruzioni sulla creazione di avvisi e sull'uso di Metrics Explorer, consulta Utilizzare le pipeline di Cloud Monitoring per Dataflow.
Crea 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, potrebbero essere necessarie ulteriori autorizzazioni di Monitoring.
Visualizza in Metrics Explorer
Puoi visualizzare i grafici delle metriche Dataflow in Metrics Explorer, dove puoi creare query e modificare la durata delle metriche.
Per visualizzare i grafici Dataflow in Metrics Explorer, nella vista Metriche dei job, apri
Altre opzioni del grafico e fai clic su Visualizza in Metrics Explorer.Quando regoli il periodo 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 di flusso e i job batch in corso, il display mostra le precedenti sei ore di metriche per quel job. Per i job di streaming interrotti o completati, la visualizzazione predefinita mostra l'intero runtime della durata del job.
Metriche I/O di Dataflow
Puoi visualizzare le seguenti metriche I/O di Dataflow in Metrics Explorer:
job/pubsub/write_count
: richieste di pubblicazione Pub/Sub da PubsubIO.Write nei job Dataflow.job/pubsub/read_count
: richieste di pull Pub/Sub da PubsubIO.Read nei job Dataflow.job/bigquery/write_count
: BigQuery pubblica le richieste da BigQueryIO.Write nei job Dataflow. Le metrichejob/bigquery/write_count
sono disponibili nelle pipeline Python utilizzando la trasformazione WriteToBigQuery conmethod='STREAMING_INSERTS'
abilitato su Apache Beam 2.28.0 o versioni successive.- Se la pipeline utilizza un'origine o un sink BigQuery, utilizza le metriche dell'API BigQuery Storage per risolvere i problemi di quota.
Per l'elenco completo delle metriche Dataflow, consulta la documentazione sulle metriche di Google Cloud.
Metriche fase e worker
Le seguenti sezioni forniscono dettagli sulle metriche dello stage e del worker disponibili nell'interfaccia di monitoraggio.
Scalabilità automatica
Il servizio Dataflow sceglie automaticamente il numero di istanze worker necessarie per eseguire il job di scalabilità automatica. Il numero di istanze worker può cambiare nel tempo in base ai requisiti del job.
Per visualizzare la cronologia delle modifiche alla scalabilità automatica, fai clic sul pulsante Altre informazioni nella cronologia. Viene visualizzata una tabella con informazioni sulla cronologia dei worker della pipeline.
Velocità effettiva
La velocità effettiva è il volume di dati elaborati in qualsiasi momento. Questa metrica per passaggio viene visualizzata come numero di elementi al secondo. Per visualizzare questa metrica in byte al secondo, visualizza il grafico Velocità effettiva (byte/sec) più in basso nella pagina.
Conteggio log errori del worker
Il conteggio dei log degli errori dei worker mostra la percentuale di errori osservati in tutti i worker in qualsiasi 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 l'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 un evento di clic su un sito web o un'importazione da parte di Pub/Sub. La filigrana di output indica il tempo di elaborazione dei dati.
In qualsiasi momento, il job Dataflow sta elaborando più elementi. I punti dati nel grafico di aggiornamento dei dati mostrano l'elemento con il ritardo maggiore in relazione alla data e all'ora dell'evento. Pertanto, la stessa linea del grafico mostra i dati relativi a 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 di output potrebbe subire ritardi, con ripercussioni sull'aggiornamento dei dati. Una differenza significativa tra l'ora della filigrana e l'ora dell'evento potrebbe indicare un'operazione lenta o bloccata.
Per i job di inserimento flussi aggiornati di recente, le informazioni sullo stato del job e sulla filigrana potrebbero non essere disponibili. L'operazione di aggiornamento apporta diverse modifiche la cui propagazione all'interfaccia di monitoraggio di Dataflow richiede alcuni minuti. Prova ad aggiornare l'interfaccia di monitoraggio 5 minuti dopo l'aggiornamento del job.
Per ulteriori informazioni, consulta Filigrane e dati recenti nella documentazione di Apache Beam.
La dashboard include i seguenti due grafici:
- Aggiornamento dei dati per fase
- Aggiornamento dei dati
Nell'immagine precedente, l'area evidenziata mostra una differenza sostanziale tra l'ora dell'evento e l'ora della filigrana di output, a indicare un'operazione lenta.
Le metriche di un elevato aggiornamento dei dati (ad esempio, metriche che indicano che i dati sono meno aggiornati) possono essere causate da:
- Colli di bottiglia delle prestazioni: se la tua pipeline ha fasi con elevata latenza di sistema o log che indicano trasformazioni bloccate, la pipeline potrebbe presentare problemi di prestazioni che potrebbero aumentare l'aggiornamento dei dati. Segui queste linee guida per la risoluzione dei problemi di pipeline lente per indagare ulteriormente.
- Colli di bottiglia delle origini dati: se le origini dati hanno arretrati in crescita, i timestamp degli eventi degli elementi potrebbero divergere dalla filigrana durante l'elaborazione. I backlog di grandi dimensioni sono spesso causati da colli di bottiglia delle prestazioni o da problemi relativi alle origini dati, che vengono rilevati meglio monitorando le origini utilizzate dalla pipeline.
- Nota: le origini non ordinate come Pub/Sub possono produrre filigrane bloccate anche durante l'output ad alta velocità. Questa situazione si verifica perché gli elementi non vengono output in ordine di timestamp e la filigrana si basa sul timestamp minimo non elaborato.
- Riprova frequenti: se vedi errori che indicano che gli elementi non sono stati elaborati e vengono tentati di nuovo, è possibile che i timestamp meno recenti provenienti da elementi riprovati aumentino l'aggiornamento dei dati. L'elenco degli errori comuni di Dataflow può aiutarti a risolverli.
Latenza di sistema (con e senza Streaming Engine)
La latenza di sistema è il numero massimo attuale di secondi durante i quali un elemento di dati è stato elaborato o è in attesa di elaborazione. Questa metrica indica il tempo di attesa di un elemento all'interno di una qualsiasi origine della pipeline. La durata massima viene modificata dopo l'elaborazione. I seguenti casi costituiscono ulteriori considerazioni:
- Per più origini e sink, la latenza di sistema è la quantità massima di tempo che un elemento attende all'interno di un'origine prima di essere scritto in tutti i sink.
- A volte, un'origine non fornisce un valore per il periodo di tempo durante il quale 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 seguenti due grafici:
- Latenza di sistema per fase
- Latenza di sistema
Backlog
La dashboard Backlog fornisce informazioni sugli elementi in attesa di elaborazione. La dashboard include i seguenti due grafici:
- Secondi di backlog (solo Streaming Engine)
- Byte di backlog (con e senza Streaming Engine)
Il grafico Secondi di backlog mostra una stima del tempo in secondi necessario per utilizzare il backlog attuale se non arrivano nuovi dati e la velocità effettiva non cambia. Il tempo stimato di backlog viene calcolato sia in base alla velocità effettiva sia ai byte del backlog dell'origine di input che devono ancora essere elaborati. Questa metrica viene utilizzata dalla funzionalità di scalabilità automatica dei flussi di dati per determinare quando fare 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 devono essere consumati da ogni fase con le fasi upstream. Affinché questa metrica registri in modo preciso, ogni origine importata dalla pipeline deve essere configurata correttamente. Le origini integrate come Pub/Sub e BigQuery sono già supportate immediatamente, ma quelle personalizzate richiedono un'implementazione aggiuntiva. Per maggiori dettagli, consulta la sezione sulla scalabilità automatica per le origini personalizzate illimitate.
Elaborazione (solo Streaming Engine)
Quando esegui una pipeline Apache Beam sul servizio Dataflow, le attività della pipeline vengono eseguite sulle VM worker. La dashboard Elaborazione fornisce informazioni sulla quantità di tempo durante l'elaborazione delle attività sulle VM worker. La dashboard include i seguenti due grafici:
- Mappa termica delle latenze di elaborazione utente
- Latenze di elaborazione utente per fase
La mappa termica per le latenze di elaborazione utente mostra le latenze massime di funzionamento nelle distribuzioni del 50°, 95° e 99° percentile. Utilizza la mappa termica per vedere se le operazioni long-tail generano un'elevata latenza complessiva del sistema o se influiscono negativamente sull'aggiornamento complessivo dei dati.
Per risolvere un problema upstream prima che diventi a valle, imposta un criterio di avviso per 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 quale fase contiene il collo di bottiglia. Per eseguire il debug della pipeline, puoi seguire questi passaggi:
Utilizza il grafico per trovare una fase con una latenza insolitamente elevata.
Nella pagina dei dettagli del job, nella scheda Dettagli esecuzione, per Visualizzazione grafico, seleziona Flusso di lavoro Fase. Nel grafico Flusso di lavoro Fase, trova la fase con una latenza insolitamente elevata.
Per trovare le operazioni utente associate, fai clic sul nodo per quella fase nel grafico.
Per ulteriori dettagli, accedi a Cloud Profiler e utilizza Cloud Profiler per eseguire il debug dell'analisi dello stack in base all'intervallo di tempo corretto. Cerca le operazioni utente che hai identificato 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 scala in base al parallelismo di una pipeline.
Quando Dataflow esegue una pipeline, l'elaborazione viene distribuita su più macchine virtuali (VM) di Compute Engine, chiamate anche worker. Il servizio Dataflow parallelizza e distribuisce automaticamente la logica di elaborazione nella pipeline ai worker. L'elaborazione di una determinata chiave è serializzata, quindi il numero totale di chiavi per una fase rappresenta il parallelismo massimo disponibile in quella fase.
Le metriche di parallelismo possono essere utili per trovare chiavi rapide o colli di bottiglia per pipeline lente o bloccate.
Persistenza (solo Streaming Engine)
La dashboard Persistenza fornisce informazioni sulla frequenza con cui l'archiviazione permanente viene scritta e letta da una determinata fase della pipeline in byte al secondo. La dashboard include i seguenti due grafici:
- Scrittura spazio di archiviazione
- Lettura spazio di archiviazione
Duplicati (solo Streaming Engine)
Il grafico Duplicati mostra il numero di messaggi elaborati da una determinata fase che sono stati filtrati come duplicati.
Dataflow supporta molte origini e sink che garantiscono la distribuzione a at least once
. Lo svantaggio della pubblicazione con at least once
è che può generare duplicati.
Dataflow garantisce la distribuzione exactly once
, il che significa che i duplicati vengono filtrati automaticamente.
Le fasi downstream vengono salvate 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 le prestazioni 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 sui timer, questa metrica 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 quante finestre sono ritardate a causa di colli di bottiglia. Il grafico Timer di elaborazione per fase indica quante finestre stanno raccogliendo attualmente elementi.
Questi grafici mostrano tutti i timer dei job, pertanto se i timer vengono utilizzati altrove nel codice, tali timer verranno 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 lavoratore viene visualizzata come 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 stimati al secondo)
- Utilizzo della memoria (byte al secondo stimati)
Il grafico Utilizzo massimo della memoria dei worker fornisce informazioni sui worker che utilizzano la maggior parte della memoria nel job Dataflow in ogni momento. Se, in punti diversi di un job, il worker che utilizza la quantità massima di memoria viene modificata, la stessa riga del grafico mostra i dati di più worker. Ogni punto dati nella riga mostra 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. Gli arresti anomali dei worker per esaurimento memoria non sono visualizzati in questo grafico.
Il grafico Utilizzo 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 modalità flusso legge o scrive record utilizzando Pub/Sub, vengono visualizzate le metriche di input e le metriche di output.
Vengono combinate tutte le metriche di input dello stesso tipo e anche 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 meglio le metriche che stai cercando. Le seguenti immagini 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 percentuale di richieste API di lettura o scrittura di dati dall'origine o dal sink nel tempo. Se questa frequenza scende a zero o diminuisce in modo significativo per un periodo di tempo prolungato rispetto al comportamento previsto, la pipeline potrebbe non essere in grado di eseguire determinate operazioni. Inoltre, potrebbero non essere presenti dati da leggere. In questo caso, rivedi i passaggi del job con una filigrana di sistema elevata. Inoltre, esamina i log dei worker per individuare errori o indicazioni sull'elaborazione lenta.
Errori di risposta al secondo per tipo di errore
Gli errori di risposta al secondo per tipo di errore corrispondono alla percentuale di richieste API non riuscite per leggere o scrivere dati dall'origine o dal sink nel tempo. Se questi errori si verificano di frequente, le richieste API potrebbero rallentare l'elaborazione. È necessario esaminare le richieste API non riuscite. Per risolvere questi problemi, consulta la documentazione generale sui codici di errore I/O. Esamina inoltre l'eventuale documentazione sul codice di errore specifica utilizzata dall'origine o dal sink, ad esempio i codici di errore di Pub/Sub.