Cloud TPU-Monitoring- und ‑Logging-Dashboards

Das Repository für Monitoring- und Debugging-Dashboards für Cloud TPUs enthält die gesamte Infrastruktur und Logik, die zum Überwachen und Entwickeln von Workflows erforderlich ist, die auf TPU-VMs ausgeführt werden. Dazu ist Terraform erforderlich, ein Open-Source-Tool, mit dem die Google Cloud-Infrastruktur mithilfe von Konfigurationsdateien definiert und verwaltet wird.

Monitoring-Dashboard

Das Monitoring-Dashboard enthält die folgenden Cloud TPU-Messwerte:

• CPU-Auslastung auf dem TPU-Worker: cpu/utilization
• Arbeitsspeichernutzung nach TPU-VM: memory/usage
• Vom Pod über das Netzwerk empfangene Netzwerk-Byte: network/received_bytes_count
• Von einem Pod über das Netzwerk gesendete Netzwerkbyte: network/sent_bytes_count
• Dauer der Inaktivität des TensorCores des TPU-Chips: tpu/tensorcore/idle_duration

Cloud Monitoring generiert automatisch Messwertdaten. Wenn Sie das Monitoring-Dashboard aufrufen möchten, rufen Sie die Google Cloud Console auf und wählen Sie Monitoring und dann Dashboards aus. Wählen Sie in der Liste der Dashboards GCE – TPU Monitoring Dashboard aus. Das Cloud TPU-Monitoring-Dashboard besteht aus mehreren Bereichen, in denen jeweils Messwertdaten angezeigt werden. Für jeden Cloud TPU-Messwert werden im Dashboard die aktuellen Messwerte, der Mittelwert und der Maximalwert in separaten Bereichen angezeigt. In den Bereichen „Mittelwert“ und „Maximum“ können Sie TPU-VMs mit Ausreißern für weitere Untersuchungen identifizieren.

Sie können TPU-Messwerte auch mit dem Metrics Explorer in Cloud Monitoring in der Google Cloud Console aufrufen. Weitere Informationen finden Sie unter Cloud TPU-VMs überwachen.

Logging-Dashboard

Das Logging-Dashboard enthält zwei Bereiche:

1. Log-Messwerte: Die Anzahl der Stack-Trace-Einträge, die für jeden TPU-VM-Worker erfasst wurden.
2. Bereich „Protokolle“: Hier werden alle Stack-Trace-Einträge mit Spalten für den Schweregrad, den Zeitstempel und eine Zusammenfassung des Eintrags angezeigt. Sie können diesen Bereich mit Logs nach einem String oder TPU-Arbeiterlabels wie node_id oder worker_id filtern. Wenn Sie beispielsweise den Filter resource.labels.node_id:"testing" hinzufügen, werden alle Trace-Einträge angezeigt, die für den TPU-VM-Worker mit der ID „testing“ erfasst wurden.

Cloud Logging erfasst Logeinträge, die von Google Cloud-Diensten, Drittanbieterdiensten, ML-Frameworks und Ihrem Code generiert werden. Sie können das PyPi-Paket cloud-tpu-diagnostics installieren, um Python-Stack-Traces zu schreiben, wenn ein Fehler oder eine Ausnahme auftritt oder Ihre Arbeitslast nicht reagiert. Weitere Informationen finden Sie unter Cloud TPU-VMs debuggen.

Rufen Sie das Logging-Dashboard in der Google Cloud Console auf, indem Sie Monitoring und dann Dashboards auswählen. Wählen Sie in der Liste der Dashboards GCE – TPU-Logging-Dashboard aus.

Dashboards für Messwerte und Protokolle konfigurieren

Folgen Sie dieser Anleitung, um die Dashboards für Messwerte und Protokolle zu konfigurieren.

Dashboard-Repository klonen

Sie können das Repository direkt aus dem GitHub-Repository für die Überwachung und Fehlerbehebung von Cloud TPU oder über die Befehlszeile klonen:

git clone https://github.com/google/cloud-tpu-monitoring-debugging.git

Terraform installieren

1. Installieren Sie Terraform auf Ihrem lokalen Computer.
2. Führen Sie terraform init aus, um die erforderlichen Plug-ins hinzuzufügen und das Verzeichnis .terraform zu erstellen.
3. Führen Sie terraform init –upgrade aus, um alle verfügbaren Updates zu installieren.

Berechtigungen für Monitoring und Logging konfigurieren

Sie benötigen die Rollen „Monitoring Admin“, „Monitoring Dashboard Configuration Editor“ und „Logging Admin“, um Monitoringressourcen in Ihrem Google Cloud-Projekt bereitzustellen. Weitere Informationen zu Monitoring-Rollen finden Sie unter Zugriff auf Cloud Monitoring gewähren.

Cloud Storage-Bucket erstellen

Erstellen Sie einen Cloud Storage-Bucket zum Speichern von Terraform-Zustandsdateien. Sie können auch einen vorhandenen Cloud Storage-Bucket verwenden. Mit einem Cloud Storage-Bucket können mehrere Nutzer gleichzeitig Terraform ausführen und auf dieselbe Infrastruktur zugreifen.

1. Erstellen Sie in Cloud Shell den Cloud Storage-Bucket:

   gcloud storage buckets create gs://${GCS_BUCKET_NAME}
   

2. Aktivieren Sie die Objektversionsverwaltung, um den Verlauf Ihrer Bereitstellungen zu speichern. Durch das Aktivieren der Objektversionsverwaltung werden die Speicherkosten erhöht. Dies können Sie umgehen, indem Sie die Verwaltung des Objektlebenszyklus so konfigurieren, dass alte Statusversionen gelöscht werden.

   gcloud storage buckets update gs://${GCS_BUCKET_NAME} --versioning
   

Terraform initialisieren

Führen Sie terraform init im Verzeichnis gcp_resources/gce des Repositorys aus. Sie werden aufgefordert, den Namen eines Cloud Storage-Bucket einzugeben, in dem Terraform-Zustandsdateien gespeichert werden sollen.

Monitoring- und Logging-Dashboards bereitstellen

Führen Sie terraform apply im Verzeichnis gcp_resources/gce aus, um die Monitoring- und Logging-Dashboards in Ihrem Google Cloud-Projekt bereitzustellen. Sie werden aufgefordert, Werte für die folgenden Variablen anzugeben:

• var.monitoring_dashboard_config
• var.project_name
• var.stack_trace_bucket_config

Hinweis: Für var.monitoring_dashboard_config und var.stack_trace_bucket_config muss der Text im JSON-Format vorliegen. Geben Sie {} ein, um die Standardwerte zu akzeptieren. Weitere Informationen zu diesen Variablen finden Sie im Abschnitt Beispielkonfigurationen. Mit dem Befehl terraform apply werden die Aktionen angezeigt, die ausgeführt werden sollen. Geben Sie yes ein, um zu bestätigen. Alle Ressourcen werden automatisch in Ihrem Google Cloud-Projekt bereitgestellt.

Wenn Sie nur das Monitoring-Dashboard bereitstellen möchten, führen Sie terraform init und terraform apply im Verzeichnis gcp_resources/gce/dashboard/monitoring_dashboard aus. Führen Sie diese Befehle ebenfalls im Verzeichnis gcp_resources/gce/dashboard/logging_dashboard aus, um nur das Logging-Dashboard bereitzustellen.

Beispielkonfigurationen

Wenn Sie terraform apply ausführen, werden Sie von Terraform nach Werten für einige Konfigurationsvariablen gefragt. Dieser Abschnitt enthält einige Beispielkonfigurationen, die Sie verwenden können. In jedem Beispiel wird die vom Befehl „terraform apply“ angezeigte Ausgabe sowie in fett formatierte Vorschläge für die einzelnen Konfigurationsvariablen angezeigt. Die Eingabe muss im JSON-Format vorliegen und in geschweifte Klammern ("{}") gesetzt sein.

Beispiel 1

In diesem Beispiel wird der Name des Google Cloud-Projekts angegeben und für den Rest der Konfiguration werden die Standardwerte verwendet.

var.project_name
  Name of gcp project

  Enter a value: <gcp_project_name>

var.stack_trace_bucket_config
    Configuration to create a log bucket to store stack traces:
    {
      "bucket_name": "name of log bucket to create",
      "retention_days": &lt;number of days to retain stack traces, default to 30 days if not set&gt;
    }
    Enter {} to not create separate bucket for stack traces.

  Enter a value: {}

var.monitoring_dashboard_config
    Configuration for monitoring dashboard:
    {
      "node_prefix": "prefix used to generate the node name in multislice node provision, default to empty string",
      "outlier_count": &lt;the number of outliers to show on dashboard, default to 10 if not set&gt;
    }
    Enter {} to set default configuration for monitoring dashboard.

  Enter a value: {}

Beispiel 2

In diesem Beispiel wird das Dashboard so konfiguriert, dass fünf TPU-VMs mit Ausreißern angezeigt werden.

var.project_name
  Name of gcp project

  Enter a value: <gcp_project_name>

var.stack_trace_bucket_config
    Configuration to create a log bucket to store stack traces:
    {
      "bucket_name": "name of log bucket to create",
      "retention_days": &lt;number of days to retain stack traces, default to 30 days if not set&gt;
    }
    Enter {} to not create separate bucket for stack traces.

  Enter a value: {}

var.monitoring_dashboard_config
    Configuration for monitoring dashboard:
    {
    "node_prefix": "prefix used to generate the node name in multislice node provision, default to empty string",
      "outlier_count": &lt;number of outliers to show on dashboard, default to 10 if not set&gt;
    }
    Enter {} to set default configuration for monitoring dashboard.

  Enter a value: {"outlier_count":5}

Beispiel 3

Mit dieser Konfiguration wird ein Dashboard erstellt, das 10 Außerhalb der Norm liegende TPU-VMs enthält. Dabei wird „test“ als Präfix für die vom Dashboard generierten Knotennamen verwendet:

var.project_name
  Name of gcp project

  Enter a value: <gcp_project_name>

var.stack_trace_bucket_config
    Configuration to create a log bucket to store stack traces:
    {
      "bucket_name": "name of log bucket to create",
      "retention_days": &lt;number of days to retain stack traces, default to 30 days if not set&gt;
    }
    Enter {} to not create separate bucket for stack traces.

  Enter a value: {}

var.monitoring_dashboard_config
    Configuration for monitoring dashboard:
    {
      "node_prefix": "prefix used to generate the node name in multislice node provision, default to empty string",
      "outlier_count": &ltnumber of outliers to show on dashboard, default to 10 if not set&gt;
    }
    Enter {} to set default configuration for monitoring dashboard.

  Enter a value: {"node_prefix":"test"}

Beispiel 4

Mit dieser Konfiguration wird ein Dashboard erstellt, das fünf Ausreißer-VMs enthält. „test“ wird als Präfix für die vom Dashboard generierten Knotennamen verwendet.

var.project_name
  Name of gcp project

  Enter a value: <gcp_project_name>

var.stack_trace_bucket_config
    Configuration to create a log bucket to store stack traces:
    {
      "bucket_name": "name of log bucket to create",
      "retention_days": &lt;number of days to retain stack traces, default to 30 days if not set&gt;
    }
    Enter {} to not create separate bucket for stack traces.

  Enter a value: {}

var.monitoring_dashboard_config
    Configuration for monitoring dashboard:
    {
    "node_prefix": "prefix used to generate the node name in multislice node provision, default to empty string",
      "outlier_count": "number of outliers to show on dashboard, default to 10 if not set"
    }
    Enter {} to set default configuration for monitoring dashboard.

  Enter a value: {"node_prefix":"test", "outlier_count":5}

Beispiel 5

In diesem Beispiel wird ein Cloud Storage-Bucket zum Speichern von Stack-Traces konfiguriert. Für Stack-Traces gilt standardmäßig eine Aufbewahrungsdauer von 30 Tagen.

var.project_name
  Name of gcp project

  Enter a value: <gcp_project_name>

var.stack_trace_bucket_config
    Configuration to create a log bucket to store stack traces:
    {
      "bucket_name": "name of log bucket to create",
      "retention_days": &lt;number of days to retain stack traces, default to 30 days if not set&gt;
    }
    Enter {} to not create separate bucket for stack traces.

  Enter a value: {"bucket_name":"stack_trace_log_bucket"}

var.monitoring_dashboard_config
    Configuration for monitoring dashboard:
    {
    "node_prefix": "prefix used to generate the node name in multislice node provision, default to empty string",
      "outlier_count": "number of outliers to show on dashboard, default to 10 if not set"
    }
    Enter {} to set default configuration for monitoring dashboard.

  Enter a value: {}

Beispiel 6

In diesem Beispiel wird ein Cloud Storage-Bucket mit einer Aufbewahrungsdauer von 20 Tagen konfiguriert.

var.project_name
  Name of gcp project

  Enter a value: <gcp_project_name>

var.stack_trace_bucket_config
    Configuration to create a log bucket to store stack traces:
    {
      "bucket_name": "name of log bucket to create",
      "retention_days": &lt;number of days to retain stack traces, default to 30 days if not set&gt;
    }
    Enter {} to not create separate bucket for stack traces.

  Enter a value: {"bucket_name":"stack_trace_log_bucket", "retention_days":20}

var.monitoring_dashboard_config
    Configuration for monitoring dashboard:
    {
    "node_prefix": "prefix used to generate the node name in multislice node provision, default to empty string",
      "outlier_count": "number of outliers to show on dashboard, default to 10 if not set"
    }
    Enter {} to set default configuration for monitoring dashboard.

  Enter a value: {}