Cloud TPU ノードのモニタリング

このガイドでは、Google Cloud Monitoring を使用して Cloud TPU ノードをモニタリングする方法について説明します。Google Cloud Monitoring は、Cloud TPU とそのホスト Compute Engine から指標とログを自動的に収集します。これらのデータは、Cloud TPU と Compute Engine の正常性のモニタリングに使用できます。

指標を使用すると、CPU 使用率、ネットワーク使用量、MXU 使用率など、時間の経過に伴う数値を追跡できます。ログは特定の時点のイベントをキャプチャします。ログエントリは、独自のコード、Google Cloud サービス、サードパーティアプリケーション、Google Cloud インフラストラクチャによって作成されます。ログベースの指標を作成して、ログエントリに存在するデータから指標を生成することもできます。指標の値やログエントリに基づいてアラートポリシーを設定することもできます。

このガイドでは、Google Cloud Monitoring について説明し、次の方法を示します。

Cloud TPU の指標を表示する
Cloud TPU の指標アラートポリシーを設定する
Cloud TPU ログをクエリする
ログに基づく指標を作成し、アラートを設定してダッシュボードを可視化する。

前提条件

このドキュメントでは、Google Cloud Monitoring の基本的な知識があることを前提としています。Google Cloud Monitoring の生成と操作を開始する前に、Compute Engine VM リソースと Cloud TPU リソースを作成する必要があります。詳細については、Cloud TPU のクイックスタートをご覧ください。

指標

Google Cloud の指標は、Compute Engine VM と Cloud Cloud TPU ランタイムによって自動的に生成されます。Cloud TPU ノードによって生成される指標は次のとおりです。

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

CPU 使用率

cpu/utilization 指標は、Cloud TPU ワーカーの現在の CPU 使用率を追跡し、割合として示します。値は通常、0.0～100.0 ですが、100.0 を超える場合もあります。60 秒ごとにサンプリングされます。値が生成されてから表示されるまでに 180 秒ほどかかる場合があります。

メモリ使用量

memory/usage 指標は、Cloud TPU VM が現在使用しているメモリをバイト単位で追跡します。この指標は 60 秒ごとにサンプリングされます。値が生成されてから表示されるまでに 180 秒ほどかかる場合があります。

ネットワーク受信バイト数

network/received_bytes_count 指標は、Cloud TPU VM がネットワーク経由で特定の時点で受信したデータの累積バイト数を追跡します。値が生成されてから表示されるまでに 180 秒ほどかかる場合があります。

ネットワーク送信バイト数

network/sent_bytes_count 指標は、Cloud TPU VM がネットワーク経由で特定の時点で送信した累積バイト数を追跡します。値が生成されてから表示されるまでに 180 秒ほどかかる場合があります。

TensorCore のアイドル時間

tpu/tensorcore/idle_duration 指標は、各 TPU チップの TensorCore がアイドル状態である秒数を追跡します。この指標は、使用しているすべての TPU の各チップで利用できます。TensorCore が使用されている場合、アイドル期間の値はゼロにリセットされます。TensorCore が使用されなくなった場合、アイドル期間の値が増え始めます。

次のグラフは、1 つのワーカーを持つ v2-8 Cloud TPU VM の tpu/tensorcore/idle_duration 指標を示しています。各ワーカーには 4 つのチップがあります。この例では、4 つのチップすべてが tpu/tensorcore/idle_duration に同じ値を持つため、グラフは相互に重ね合わされます。

イメージ

MXU 使用率

tpu/mxu/utilization 指標は、TPU ワーカーの現在の MXU 使用率を追跡し、割合として示します。値は通常、0.0～100.0 の数値です。60 秒ごとにサンプリングされます。サンプリング後、データは最長 180 秒間表示されません。

Cloud TPU によって生成される指標の完全なリストについては、Cloud TPU の指標をご覧ください。

指標の表示

指標は、Google Cloud コンソールの Metrics Explorer を使用して表示できます。

Metrics Explorer で、[指標を選択] をクリックして Cloud TPU Worker を検索します。[アクティブなリソースと指標のみを表示] がオンになっている場合は、現在生成されている指標のみが表示されます。[Cloud TPU ワーカー] をクリックして、使用可能な指標を表示します。

curl HTTP 呼び出しを使用して指標にアクセスすることもできます。

projects.timeSeries.query ドキュメントの [試してみる] ボタンを使用して、指定した期間内の指標の値を取得します。

名前を projects/{project-name} の形式で入力します。
[リクエストの本文] セクションにクエリを追加します。次は、特定のゾーンにおける過去 5 分間 fetch tpu_worker | filter zone = 'us-central2-b' | metric tpu.googleapis.com/tpu/tensorcore/idle_duration | within 5m" のアイドル時間指標を取得するサンプルクエリです。
[実行] をクリックして HTTP POST メッセージの結果を取得します。

このクエリをカスタマイズする方法については、Monitoring Query Language リファレンスのドキュメントをご覧ください。

条件が満たされたときにアラートを送信するように Google Cloud Monitoring に指示するアラートポリシーを作成できます。

アラートの作成

このセクションの手順は、TensorCore のアイドル期間指標のアラートポリシーを追加する方法の例を示しています。この指標が 24 時間を超えると、Cloud Monitoring は登録されたメールアドレスにメールを送信します。

Monitoring Console に移動
ナビゲーションパネルで [アラート] をクリックします。
[通知チャネルの編集] をクリックします。
[メール] で [新規追加] をクリックします。
メールアドレス、表示名を入力し、[保存] をクリックします。
[CREATE POLICY] をクリックします。
[指標を選択] をクリックして、[TensorCore のアイドル期間] を選択し、[適用] をクリックします。
[次へ]、[しきい値] の順にクリックします。
[アラートトリガー] で [任意の時系列の違反] を選択します。
[しきい値の位置] で [しきい値を下回っています] を選択します。
[Tしきい値] に「86400000」と入力します。
[次へ] をクリックします。
[通知チャネル] でメール通知チャネルを選択し、[OK] をクリックします。
アラートポリシーの名前を入力します。
[次へ]、[ポリシーを作成] の順にクリックします。

TensorCore のアイドル期間が 24 時間を超えると、指定したメールアドレスにメールが送信されます。

ロギング

ログエントリは、Google Cloud サービス、サードパーティのサービス、ML フレームワーク、またはコードによって記述されます。ログビューアまたは Logs API を使用してログを表示できます。Google Cloud Logging の詳細については、Google Cloud Logging をご覧ください。

ログエクスプローラでは、リソースタイプを選択できます。

[Cloud TPU ワーカー] -> [ゾーン] -> [ノード ID]
[監査対象リソース] -> [Cloud TPU] -> [API]（google.cloud.tpu.v1.Tpu.CreateNode、google.cloud.tpu.v1.Tpu.DeleteNode、google.cloud.tpu.v1.Tpu.UpdateNode）

Cloud TPU ワーカーのログには、特定のゾーン内の特定の Cloud TPU ワーカーに関する情報（Cloud TPU ワーカーで使用可能なメモリ量（system_available_memory_GiB）など）が含まれます。

監査対象リソースログには、特定の Cloud TPU API の呼び出し日時と呼び出しを行ったユーザーに関する情報が記録されます。たとえば CreateNode、UpdateNode、DeleteNode などが該当します。

ML フレームワークは、stdout と stderr へのログを生成できます。これらのログは環境変数で制御され、トレーニングスクリプトによって読み取られます。

Google Cloud Logging にコードでログを書き込むことができます。詳細については、標準ログを書き込むと構造化ログを書き込むをご覧ください。

Cloud TPU ログの表示

Google Cloud ログビューアに移動
[リソース] プルダウンをクリック
[Cloud TPU ワーカー] をクリック
ゾーンを選択
関心のある Cloud TPU を選択
[適用] をクリックします。ログはクエリ結果に表示されます

監査対象リソースログを表示するには:

Google Cloud ログビューアに移動
[リソース] プルダウンをクリック
[監査対象リソース]、[Cloud TPU] の順にクリック
関心のある Cloud TPU API を選択
[適用] をクリックします。ログはクエリ結果に表示されます
google.cloud.tpu.v1.Tpu で始まる API を選択します

Google Cloud ログをクエリする

Google Cloud コンソールでログを表示すると、ページでデフォルトのクエリが実行されます。クエリを表示するには、Show query 切り替えスイッチを選択します。デフォルトクエリを変更することも、新しいクエリを作成することもできます。詳細については、ログエクスプローラでクエリを作成するをご覧ください。

監査対象リソースログのログ出力について

任意のログエントリをクリックして展開すると、protoPayload という名のフィールド表示されます。 protoPayload を展開すると、いくつかのサブフィールドが表示されます。

logName: ログの名前
protoPayload -> @type: ログの種類
resourceName: Cloud TPU の名前。
methodName: 呼び出されたメソッドの名前（監査ログのみ）
request -> @type: リクエストの種類
request -> node: Cloud TPU ノードの詳細
request -> node_id: TPU の名前
severity: ログの重大度

Cloud TPU ワーカーログのログ出力について

任意のログエントリをクリックして展開すると、jsonPayload という名のフィールド表示されます。 jsonPayload を展開すると、いくつかのサブフィールドが表示されます。

accelerator_type: アクセラレータタイプ
consumer_project: Cloud TPU が存在するプロジェクト
evententry_timestamp: ログが生成された時刻
system_available_memory_GiB: Cloud TPU ワーカーで使用可能なメモリ（0 ～ 350 GB）

ログベースの指標を作成する

このセクションでは、モニタリングダッシュボードとアラートの設定に使用するログベースの指標を作成する方法について説明します。プログラムでログベースの指標を作成する方法については、Cloud Logging REST API を使用してプログラムでログベースの指標を作成するをご覧ください。

次の例では、system_available_memory_GiB サブフィールドを使用して、Cloud TPU ワーカーで利用できるメモリをモニタリングするためのログベースの指標を作成する方法を示します。

ログエクスプローラに移動します。

クエリボックスに次のクエリを入力して、プライマリ Cloud TPU ワーカー用に定義された system_available_memory_GiB を持つすべてのログエントリを抽出します。

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:*

[指標を作成] をクリックして、[指標エディタ] を表示します。
[指標タイプ] で [ディストリビューション] を選択します。
指標の名前、説明（省略可）、測定単位を入力します。[名前] フィールドと [説明] フィールドにそれぞれ「matrix_unit_utilization_percent」と「MXU 使用率」を入力します。
フィルタには、ログエクスプローラに入力したスクリプトが事前に入力されています。
[指標を作成] をクリックします。
[指標を見る] をクリックして、新しい指標を表示します。指標が表示されるまでに数分かかることがあります。

Cloud Logging REST API を使用してプログラムでログベースの指標を作成する

Cloud Logging API を使用して、ログベースの指標を作成することもできます。詳細については、分布指標の作成をご覧ください。

ログベースの指標を使用してダッシュボードとアラートを作成する

ダッシュボードは指標を可視化するのに役立ちます（最大 2 分遅れ）。アラートは、エラーの発生時に通知を送信するのに役立ちます。詳細については、カスタムダッシュボードを管理すると指標ベースのアラートポリシーを作成するをご覧ください。

ダッシュボードの作成

Cloud Monitoring で Tensorcore のアイドル期間指標のダッシュボードを作成するには、次の手順を実施します。

Monitoring Console に移動
ナビゲーションパネルで [ダッシュボード] をクリックします。
[ダッシュボードを作成]、[グラフを追加] の順にクリックします。
追加するグラフの種類を選択します。この例では、[折れ線] を選択します。
ダッシュボードのタイトルを入力します。
[リソースと指標] の下にあるボタンをクリックします。
リソース/指標のリストを下にスクロールし、[Cloud TPU ワーカー] -> [TPU] -> [TensorCore のアイドル期間] を選択します。
[適用] をクリックします。
ダッシュボードのコンテンツをフィルタリングするには、[ダッシュボードフィルタを作成] をクリックします。
[ラベル] フィールドで、[project_id] をプロジェクトに設定します
[追加] をクリックして、[ゾーン] を TPU を作成したゾーンに設定します
node_id に対して別のフィルタを追加して、Cloud TPU 名を指定します