监控 Cloud TPU 节点

本指南介绍如何使用 Google Cloud Monitoring 监控 Cloud TPU 节点。Google Cloud Monitoring 会自动从您的 Cloud TPU 及其主机 Compute Engine 中收集指标和日志。这些数据可用于监控 Cloud TPU 和 Compute Engine 的健康状况。

通过指标，您可以跟踪一段时间内的数值数量，例如 CPU 利用率、网络使用量或 MXU 利用率。记录特定时间点的拍摄事件。日志条目由您自己的代码、Google Cloud 服务、第三方应用和 Google Cloud 基础架构编写。您还可以创建基于日志的指标，根据日志条目中的数据生成指标。您还可以根据指标值或日志条目设置提醒政策。

本指南介绍 Google Cloud Monitoring 并向您展示如何：

  • 查看 Cloud TPU 指标
  • 设置 Cloud TPU 指标提醒政策
  • 查询 Cloud TPU 日志
  • 创建基于日志的指标，用于设置提醒和直观显示信息中心。

前提条件

本文档假定您具备一些 Google Cloud Monitoring 基础知识。您必须先创建 Compute Engine 虚拟机和 Cloud TPU 资源，然后才能开始生成和使用 Google Cloud Monitoring。如需了解详情，请参阅 Cloud TPU 快速入门。

指标

Google Cloud 指标由 Compute Engine 虚拟机和 Cloud Cloud TPU 运行时自动生成。以下指标由 Cloud TPU 节点生成：

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

CPU 利用率

此 cpu/utilization 指标跟踪 Cloud TPU 工作器的当前 CPU 利用率（以百分比表示）。值通常在 0.0 到 100.0 之间，但可能会超过 100.0。每 60 秒采样一次。从生成值到显示值，最多可能需要 180 秒。

内存用量

memory/usage 指标用于跟踪 Cloud TPU 虚拟机当前正在使用的内存（以字节为单位）。系统每 60 秒对此指标进行一次采样。从生成值到显示值，最多可能需要 180 秒。

网络接收的字节数

network/received_bytes_count 指标用于跟踪 Cloud TPU 虚拟机通过网络在某个时间点接收的累计数据字节数。从生成值到显示值，最多可能需要 180 秒。

网络发送的字节数

network/sent_bytes_count 指标跟踪 Cloud TPU 虚拟机在某个时间点通过网络发送的累计字节数。从生成值到显示值，最多可能需要 180 秒。

TensorCore 空闲时长

tpu/tensorcore/idle_duration 指标跟踪每个 TPU 芯片的 TensorCore 空闲的秒数。所有正在使用的 TPU 上的每个条状标签都可以使用此指标。如果使用的是 TensorCore，则空闲时长值会重置为零。当 TensorCore 不再使用时，空闲时长值开始增加。

下图显示了有一个工作器的 v2-8 Cloud TPU 虚拟机的 tpu/tensorcore/idle_duration 指标。每个 worker 都有四个条状标签。在此示例中，四个条状标签具有相同的 tpu/tensorcore/idle_duration 值，因此这两个图表会相互叠加。

图片

MXU 利用率

tpu/mxu/utilization 指标跟踪 TPU 工作器上的当前 MXU 利用率，以百分比表示。值通常介于 0.0 到 100.0 之间。每 60 秒采样一次。采样后，数据在最长 180 秒的时间内不会显示。

如需查看 Cloud TPU 生成的指标的完整列表，请参阅 Cloud TPU 指标。

查看指标

您可以在 Google Cloud 控制台中使用 Metrics Explorer 查看指标。

在 Metrics Explorer 中，点击选择指标，然后搜索 Cloud TPU Worker。如果仅显示有效的资源和指标已开启，则只会显示当前生成的指标。点击 Cloud TPU Worker 以显示可用的指标。

您还可以使用 curl HTTP 调用访问指标：

使用 projects.timeSeries.query 文档中的试试看！按钮可检索指定时间范围内的指标值。

  1. 按此格式填写名称：projects/{project-name}
  2. 将查询添加到请求正文部分。以下示例查询用于检索指定可用区在过去 5 分钟内的空闲时长指标 fetch tpu_worker | filter zone = 'us-central2-b' | metric tpu.googleapis.com/tpu/tensorcore/idle_duration | within 5m"
  3. 点击执行以检索 HTTP POST 消息的结果

如需详细了解如何自定义此查询，请参阅 Monitoring Query Language 参考文档。

您可以创建提醒政策，指示 Google Cloud Monitoring 在满足条件时发送提醒。

创建提醒

本部分中的步骤说明了如何为 TensorCore 空闲时长指标添加提醒政策。每当此指标超过 24 小时时，Cloud Monitoring 会向注册的电子邮件地址发送电子邮件。

  1. 前往 Monitoring 控制台
  2. 在导航窗格中，点击提醒
  3. 点击修改通知渠道
  4. 在电子邮件下方，点击新增
  5. 输入电子邮件地址、显示名，然后点击保存
  6. 点击创建政策
  7. 点击选择指标，选择 Tensorcore 空闲时长，然后点击应用
  8. 点击下一步，然后点击阈值
  9. 对于提醒触发器，选择任何违反时序的情况
  10. 对于阈值位置，请选择高于阈值
  11. 对于阈值，输入 86400000
  12. 点击下一步
  13. 在通知渠道下，选择您的电子邮件通知渠道，然后点击确定
  14. 输入提醒政策的名称
  15. 点击下一步，然后点击创建政策

当 TensorCore 空闲时长超过 24 小时时，系统会向您指定的电子邮件地址发送电子邮件。

日志记录

日志条目由 Google Cloud 服务、第三方服务、机器学习框架或您的代码编写。您可以使用 Logs Viewer 或 Logs API 查看日志。如需详细了解 Google Cloud Logging，请参阅 Google Cloud Logging。

在日志浏览器中，您可以选择资源类型：

  • Cloud TPU Worker -> 可用区 -> 节点 ID
  • 审核的资源 -> Cloud TPU -> API（google.cloud.tpu.v1.Tpu.CreateNode、google.cloud.tpu.v1.Tpu.DeleteNode、google.cloud.tpu.v1.Tpu.UpdateNode）

Cloud TPU Worker 日志包含特定可用区中特定 Cloud TPU 工作器的相关信息，例如 Cloud TPU 工作器 (system_available_memory_GiB) 的可用内存量。

审核的资源日志包含有关特定 Cloud TPU API 的调用时间和调用者的信息。例如 CreateNode、UpdateNode 和 DeleteNode。

机器学习框架可以生成指向 stdout 和 stderr 的日志，这些日志由环境变量控制，并由您的训练脚本读取。

您的代码可以将日志写入 Google Cloud Logging。如需了解详情，请参阅写入标准日志和写入结构化日志。

查看 Cloud TPU 日志

  1. 转到 Google Cloud Logs Viewer
  2. 点击资源下拉菜单
  3. 点击 Cloud TPU Worker
  4. 选择区域
  5. 选择您感兴趣的 Cloud TPU
  6. 点击应用。查询结果会显示在日志中

如需查看已审核资源日志，请执行以下操作：

  1. 转到 Google Cloud Logs Viewer
  2. 点击资源下拉菜单
  3. 点击已审核的资源，然后点击 Cloud TPU
  4. 选择您感兴趣的 Cloud TPU API
  5. 点击应用。查询结果会显示在日志中
  6. 选择以 google.cloud.tpu.v1.Tpu 开头的 API

查询 Google Cloud 日志

当您在 Google Cloud 控制台中查看日志时，该页面会执行默认查询。 您可以选择 Show query 切换开关来查看查询。您可以修改默认查询或创建新查询。如需了解详情，请参阅在日志浏览器中构建查询。

了解审核的资源日志的日志输出

点击任意日志条目即可将其展开，然后您会看到一个名为 protoPayload 的字段。 展开 protoPayload 后，您会看到一些子字段：

  • logName：日志的名称
  • proto 载荷 -> @type：日志的类型
  • resourceName：Cloud TPU 的名称
  • methodName：所调用的方法的名称（仅限审核日志）
  • request -> @type：请求类型
  • request -> node：Cloud TPU 节点的详细信息
  • request -> node_id：TPU 的名称
  • verity：日志的严重程度

了解 Cloud TPU 工作器日志的日志输出

点击任意日志条目即可将其展开，然后您会看到一个名为 jsonPayload 的字段。 展开 jsonPayload 后，您会看到一些子字段：

  • accelerator_type：加速器类型
  • consumer_project：Cloud TPU 所在的项目
  • evententry_timestamp：生成日志的时间
  • system_available_memory_GiB：Cloud TPU 工作器上的可用内存（0~350 GB）

创建基于日志的指标

本部分介绍如何创建用于设置监控信息中心和提醒的基于日志的指标。如需了解如何以编程方式创建基于日志的指标，请参阅使用 Cloud Logging REST API 以编程方式创建基于日志的指标。

以下示例使用 system_available_memory_GiB 子字段来演示如何创建基于日志的指标以监控 Cloud TPU 工作器的可用内存。

  1. 转到日志浏览器

  2. 在查询框中输入以下查询，以提取为 Cloud TPU 主要工作器定义了 system_available_memory_GiB 的所有日志条目：

    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. 点击创建指标以显示指标编辑器

  4. 在指标类型下，选择分布。

  5. 输入指标的名称、可选的说明和衡量单位。在名称和说明字段中分别输入“matrix_unit_utilization_percent”和“MXU 利用率”

  6. 过滤条件会预先填充您在日志浏览器中输入的脚本

  7. 点击创建指标

  8. 点击探索指标以查看新指标。您可能需要等待几分钟时间

使用 Cloud Logging REST API 以编程方式创建基于日志的指标

您还可以通过 Cloud Logging API 创建基于日志的指标。 如需了解详情，请参阅创建分布指标。

使用基于日志的指标创建信息中心和提醒

信息中心有助于直观呈现指标（预计延迟大约 2 分钟）；在出现错误时，提醒有助于发送通知。如需了解详情，请参阅管理自定义信息中心和创建基于指标的提醒政策。

创建信息中心

如需在 Cloud Monitoring 中为 Tensorcore 空闲时长指标创建信息中心，请执行以下操作：

  1. 前往 Monitoring 控制台
  2. 在导航窗格中，点击信息中心
  3. 点击创建信息中心，然后点击添加图表
  4. 选择您要添加的图表类型。在此示例中，请选择线路
  5. 输入信息中心的标题
  6. 点击资源和指标下的按钮
  7. 向下滚动资源/指标列表，然后依次选择 Cloud TPU Worker -> Tpu -> Tensorcore 空闲时长
  8. 点击应用
  9. 如需过滤信息中心内容，请点击创建信息中心过滤条件
  10. 在标签字段中，将 project_id 设置为您的项目
  11. 点击添加，然后将可用区设置为您创建 TPU 的可用区
  12. 为 node_id 添加另一个过滤条件，并指定您的 Cloud TPU 名称