Supervisa nodos de Cloud TPU

En esta guía, se explica cómo usar Google Cloud Monitoring para supervisar los nodos de Cloud TPU. Google Cloud Monitoring recopila automáticamente metrics y registros de tu Cloud TPU y su host de Compute Engine. Estos datos pueden usarse para supervisar el estado de tu Cloud TPU y Compute Engine.

Las métricas te permiten realizar un seguimiento de una cantidad numérica a lo largo del tiempo, por ejemplo, el uso de CPU, de red o de MXU. Los registros capturan eventos en un momento específico. Las entradas de registro se escriben con tu propio código, los servicios de Google Cloud, las aplicaciones de terceros y la infraestructura de Google Cloud. También puedes generar métricas a partir de los datos presentes en una entrada de registro creando una métrica basada en registros. También puedes configurar políticas de alertas basadas en valores de métricas o entradas de registro.

En esta guía, se analiza Google Cloud Monitoring y se muestra cómo hacer lo siguiente:

  • Consulta las métricas de Cloud TPU
  • Configura políticas de alertas de métricas de Cloud TPU
  • Consulta los registros de Cloud TPU
  • Crear métricas basadas en registros para configurar alertas y visualizar paneles

Requisitos previos

En este documento, se supone que tienes conocimientos básicos de Google Cloud Monitoring. Debes tener una VM de Compute Engine y recursos de Cloud TPU creados antes de poder comenzar a generar y trabajar con Google Cloud Monitoring. Consulta la Guía de inicio rápido de Cloud TPU para obtener más detalles.

Métricas

Las métricas de Google Cloud se generan de forma automática mediante las VM de Compute Engine y el entorno de ejecución de Cloud TPU. Los nodos de Cloud TPU generan las siguientes métricas:

  • cpu/utilization
  • memory/usage
  • network/received_bytes_count
  • network/sent_bytes_count
  • tpu/mxu/utilization
  • tpu/tensorcore/idle_duration

Uso de CPU

La métrica cpu/utilization realiza un seguimiento del uso de CPU actual en el trabajador de Cloud TPU, representado como un porcentaje. Por lo general, los valores están entre 0.0 y 100.0, pero pueden exceder 100.0. Se hace un muestreo cada 60 segundos. Pueden pasar hasta 180 segundos entre el momento en que se genera un valor y el momento en que se muestra.

Uso de memoria

La métrica memory/usage realiza un seguimiento en bytes de la memoria que usa la VM de Cloud TPU en ese momento. Esta métrica se muestrea cada 60 segundos. Pueden pasar hasta 180 segundos entre el momento en que se genera un valor y el momento en que se muestra.

Recuento de bytes recibidos de la red

La métrica network/received_bytes_count realiza un seguimiento de la cantidad de bytes de datos acumulados que la VM de Cloud TPU recibió mediante la red en un momento determinado. Pueden pasar hasta 180 segundos entre el momento en que se genera un valor y el momento en que se muestra.

Recuento de bytes enviados a la red

La métrica network/sent_bytes_count rastrea la cantidad de bytes acumulativos que la VM de Cloud TPU envió a través de la red en un momento determinado. Pueden pasar hasta 180 segundos entre el momento en que se genera un valor y el momento en que se muestra.

Duración de inactividad de TensorCore

La métrica tpu/tensorcore/idle_duration realiza un seguimiento de la cantidad de segundos que el TensorCore de cada chip TPU estuvo inactivo. Esta métrica está disponible para cada chip en todas las TPU en uso. Si un TensorCore está en uso, el valor de duración de inactividad se restablece a cero. Cuando TensorCore ya no está en uso, el valor de la duración de inactividad comienza a aumentar.

En el siguiente gráfico, se muestra la métrica tpu/tensorcore/idle_duration para una VM de Cloud TPU v2-8 que tiene un trabajador. Cada trabajador tiene cuatro chips. En este ejemplo, los cuatro chips tienen los mismos valores para tpu/tensorcore/idle_duration, por lo que los gráficos se superponen entre sí.

imagen

Uso de MXU

La métrica tpu/mxu/utilization realiza un seguimiento del uso actual de las MXU en el trabajador TPU, representado como porcentaje. Por lo general, los valores son números entre 0.0 y 100.0. Se hace un muestreo cada 60 segundos. Después del muestreo, los datos no se podrán ver durante un máximo de 180 segundos.

Para obtener una lista completa de las métricas que genera Cloud TPU, consulta Métricas de Cloud TPU.

Cómo ver métricas

Puedes ver las métricas con el Explorador de métricas en la consola de Google Cloud.

En el Explorador de métricas, haz clic en SELECCIONAR UNA MÉTRICA y busca Cloud TPU Worker. Si la opción Mostrar solo recursos y métricas activos está activada, solo se mostrarán las métricas que se están generando actualmente. Haz clic en Trabajador de Cloud TPU para mostrar las métricas disponibles.

También puedes acceder a las métricas mediante llamadas HTTP curl:

Usa el botón Try it! en la documentación de projects.timeSeries.query para recuperar el valor de una métrica dentro del período especificado.

  1. Completa el nombre con el siguiente formato: projects/{project-name}
  2. Agrega una consulta a la sección Cuerpo de la solicitud. La siguiente es una consulta de muestra para recuperar la métrica de duración de inactividad de la zona especificada durante los últimos 5 minutos.fetch tpu_worker | filter zone = 'us-central2-b' | metric tpu.googleapis.com/tpu/tensorcore/idle_duration | within 5m"
  3. Haz clic en Ejecutar para recuperar los resultados del mensaje HTTP POST

En el documento de referencia del Lenguaje de consulta de Monitoring, encontrarás más información para personalizar esta consulta.

Puedes crear políticas de alertas que le indiquen a Google Cloud Monitoring que envíe una alerta cuando se cumpla una condición.

Crear alertas

En los pasos de esta sección, se muestra un ejemplo de cómo agregar una política de alertas para la métrica Duración inactiva de TensorCore. Cuando esta métrica supera las 24 horas, Cloud Monitoring envía un correo electrónico a la dirección registrada.

  1. Ir a la consola de Monitoring
  2. En el panel de navegación, haz clic en Alertas.
  3. Haz clic en EDITAR CANALES DE NOTIFICACIONES
  4. En Correo electrónico, haz clic en AGREGAR NUEVO.
  5. Escribe una dirección de correo electrónico, un nombre visible y haz clic en GUARDAR.
  6. Haz clic en CREAR POLÍTICA.
  7. Haz clic en SELECCIONAR UNA MÉTRICA, selecciona Duración de inactividad de Tensorcore y haz clic en APLICAR
  8. Haz clic en SIGUIENTE y, luego, en Umbral.
  9. En Activador de alertas, selecciona Cualquier serie temporal es una infracción.
  10. En Posición del umbral, selecciona Por encima del umbral.
  11. En Valor del umbral, escribe 86400000.
  12. Haz clic en SIGUIENTE.
  13. En Canales de notificaciones, selecciona tu canal de notificaciones por correo electrónico y haz clic en Aceptar.
  14. Escribe un nombre para la política de alertas
  15. Haz clic en SIGUIENTE y, luego, en CREAR POLÍTICA.

Cuando la duración de inactividad de TensorCore supere las 24 horas, se enviará un correo electrónico a la dirección que especificaste.

Logging

Los servicios de Google Cloud, servicios de terceros, frameworks de AA o tu código escriben las entradas de registro. Puedes ver los registros con el visor de registros o la API de registros. Para obtener más información sobre Google Cloud Logging, consulta Google Cloud Logging.

En el Explorador de registros, puedes seleccionar un tipo de recurso:

  • Trabajador de Cloud TPU -> Zona -> ID de nodo
  • Recurso auditado -> Cloud TPU -> API (google.cloud.tpu.v1.Tpu.CreateNode, google.cloud.tpu.v1.Tpu.DeleteNode, google.cloud.tpu.v1.Tpu.UpdateNode)

Los registros de trabajadores de Cloud TPU contienen información sobre un trabajador específico de Cloud TPU en una zona específica, por ejemplo, la cantidad de memoria disponible en el trabajador de Cloud TPU (system_available_memory_GiB).

Los registros de recursos auditados contienen información sobre cuándo se llamó a una API específica de Cloud TPU y quién la realizó. Por ejemplo, CreateNode, UpdateNode y DeleteNode.

Los frameworks de AA pueden generar registros para stdout y stderr. Estos registros están controlados por variables de entorno y los lee la secuencia de comandos de entrenamiento.

Tu código puede escribir registros en Google Cloud Logging. Para obtener más información, consulta Cómo escribir registros estándar y Cómo escribir registros estructurados.

Visualiza los registros de Cloud TPU

  1. Ir al visor de registros de Google Cloud
  2. Haz clic en el menú desplegable Recurso.
  3. Haz clic en Trabajador de Cloud TPU.
  4. Selecciona una zona
  5. Selecciona la Cloud TPU que te interesa
  6. Haz clic en Aplicar. Los registros se muestran en los resultados de la consulta

Para ver los registros de recursos auditados, sigue estos pasos:

  1. Ir al visor de registros de Google Cloud
  2. Haz clic en el menú desplegable Recurso.
  3. Haz clic en Recurso auditado y, luego, en Cloud TPU.
  4. Elige la API de Cloud TPU que te interesa
  5. Haz clic en Aplicar. Los registros se muestran en los resultados de la consulta
  6. Elige las APIs que comienzan con google.cloud.tpu.v1.Tpu

Consulta los registros de Google Cloud

Cuando ves los registros en la consola de Google Cloud, la página realiza una consulta predeterminada. Para ver la consulta, selecciona el interruptor de activación Show query. Puedes modificar la consulta predeterminada o crear una nueva. Para obtener más información, consulta Cómo compilar consultas en el Explorador de registros.

Comprende el resultado del registro de los registros de recursos auditados

Haz clic en cualquier entrada de registro para expandirla y encontrarás un campo llamado protoPayload. Expande protoPayload y verás una serie de subcampos:

  • logName: el nombre del registro
  • protoPayload -> @type: El tipo de registro.
  • resourceName: Es el nombre de la Cloud TPU.
  • methodName: El nombre del método llamado (solo registros de auditoría)
  • request -> @type: Es el tipo de solicitud.
  • Solicitud -> nodo: Detalles sobre el nodo de Cloud TPU
  • solicitud -> node_id: El nombre de la TPU
  • gravedad: la gravedad del registro

Obtén información sobre el resultado del registro de los registros de trabajadores de Cloud TPU

Haz clic en cualquier entrada de registro para expandirla y encontrarás un campo llamado jsonPayload. Expande jsonPayload y verás una serie de subcampos:

  • accelerator_type: el tipo de acelerador
  • consumer_project: Es el proyecto en el que reside la Cloud TPU.
  • evententry_timestamp: la hora en la que se generó el registro
  • system_available_memory_GiB: La memoria disponible en el trabajador de Cloud TPU (0~350 GB)

Crea métricas basadas en registros

En esta sección, se describe cómo crear métricas basadas en registros que se usan para configurar paneles de supervisión y alertas. Para obtener información sobre la creación programática de métricas basadas en registros, consulta Crea métricas basadas en registros de manera programática con la API de REST de Cloud Logging.

En el siguiente ejemplo, se usa el subcampo system_available_memory_GiB a fin de demostrar cómo crear una métrica basada en registros para supervisar la memoria disponible del trabajador de Cloud TPU.

  1. Navega al Explorador de registros

  2. En el cuadro de consulta, ingresa la siguiente consulta a fin de extraer todas las entradas de registro que tengan system_available_memory_GiB definido para el trabajador principal de Cloud TPU:

    resource.type=tpu_worker
resource.labels.project_id=your-project
resource.labels.zone=your-tpu-zone
resource.labels.node_id=your-tpu-name
resource.labels.worker_id=0
logName=projects/your-project/logs/tpu.googleapis.com%2Fruntime_monitor
jsonPayload.system_available_memory_GiB:*

  3. Haz clic en Crear métrica para mostrar el Editor de métricas.

  4. En Tipo de métrica, elige Distribución.

  5. Escribe un nombre, una descripción opcional y una unidad de medida para tu métrica. ingresa "matrix_unit_utilization_percent" y "MXU usage" en los campos Name y Description, respectivamente.

  6. El filtro se prepropaga con la secuencia de comandos que ingresaste en el Explorador de registros.

  7. Haz clic en CREAR MÉTRICA.

  8. Haz clic en Explorar métricas para ver tu nueva métrica. Pueden pasar unos minutos antes de que se muestren

Crea métricas basadas en registros de manera programática con la API de REST de Cloud Logging

También puedes crear métricas basadas en registros a través de la API de Cloud Logging. Para obtener más información, consulta Crea una métrica de distribución.

Crea paneles y alertas con métricas basadas en registros

Los paneles son útiles para visualizar las métricas (se espera un retraso de aproximadamente 2 minutos); las alertas son útiles para enviar notificaciones cuando se producen errores. Para obtener más información, consulta Administra paneles personalizados y Crea políticas de alertas basadas en métricas.

Crea paneles

A fin de crear un panel en Cloud Monitoring para la métrica duración de inactividad de Tensorcore, haz lo siguiente:

  1. Ir a la consola de Monitoring
  2. En el panel de navegación, haz clic en Paneles.
  3. Haz clic en CREAR PANEL y, luego, en Agregar gráfico.
  4. Elige el gráfico de ese tipo que quieras agregar. En este ejemplo, elige Línea.
  5. Escribe un título para el panel
  6. Haz clic en el botón debajo de Resource & Metric.
  7. Desplázate hacia abajo en la lista de recursos o métricas y selecciona Trabajador de Cloud TPU -> Tpu -> Duración de inactividad de Tensorcore
  8. Haz clic en Apply.
  9. Para filtrar el contenido del panel, haz clic en CREAR FILTROS DE PANEL.
  10. En el campo Etiqueta (Label), establece el project_id en tu proyecto.
  11. Haz clic en AGREGAR y establece la zona en la zona en la que creaste la TPU.
  12. Agrega otro filtro para node_id y especifica el nombre de tu Cloud TPU