Supervisa las VMs de Cloud TPU

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

Las métricas te permiten hacer un seguimiento de una cantidad numérica a lo largo del tiempo, por ejemplo, el uso de la CPU, el uso de la red o la duración inactiva de TensorCore. Los registros capturan eventos en un momento específico. Tu propio código, los servicios de Google Cloud, las aplicaciones de terceros y la infraestructura de Google Cloud escriben las entradas de registro. También puedes generar métricas a partir de los datos presentes en una entrada de registro. Para ello, crea una métrica basada en registros. También puedes configurar políticas de alertas en función de los valores de las métricas o las entradas de registro.

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

• Cómo ver las métricas de Cloud TPU
• Configura políticas de alertas de métricas de Cloud TPU
• Consulta los registros de Cloud TPU
• Crea 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 creados recursos de VM de Compute Engine y Cloud TPU para poder comenzar a generar informes 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 automáticamente con las VMs de Compute Engine y el entorno de ejecución de Cloud TPU. Las siguientes métricas se generan en las VMs de Cloud TPU:

• memory/usage
• network/received_bytes_count
• network/sent_bytes_count
• cpu/utilization
• tpu/tensorcore/idle_duration
• accelerator/tensorcore_utilization
• accelerator/memory_bandwidth_utilization
• accelerator/duty_cycle
• accelerator/memory_total
• accelerator/memory_used

Pueden transcurrir hasta 180 segundos entre el momento en que se genera un valor de métrica y el momento en que se muestra en el explorador de métricas.

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

Uso de memoria

La métrica memory/usage se genera para el recurso TPU Worker y hace un seguimiento de la memoria que usa la VM de TPU en bytes. Esta métrica se muestrea cada 60 segundos.

Recuento de bytes recibidos de red

La métrica network/received_bytes_count se genera para el recurso TPU Worker y realiza un seguimiento de la cantidad de bytes acumulados de datos que recibió la VM de TPU a través de la red en un momento determinado.

Recuento de bytes enviados de red

La métrica network/sent_bytes_count se genera para el recurso TPU Worker y realiza un seguimiento de la cantidad de bytes acumulados que la VM de TPU envió a través de la red en un momento determinado.

Uso de CPU

La métrica cpu/utilization se genera para el recurso TPU Worker y hace un seguimiento del uso de CPU actual en el trabajador TPU, representado como un porcentaje, que se muestrea una vez por minuto. Los valores suelen estar entre 0.0 y 100.0, pero pueden superar los 100.0.

Duración de inactividad de TensorCore

La métrica tpu/tensorcore/idle_duration se genera para el recurso TPU Worker y 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 se está usando un TensorCore, el valor de la duración inactiva se restablece a cero. Cuando el TensorCore ya no está en uso, el valor de la duración inactiva comienza a aumentar.

En el siguiente gráfico, se muestra la métrica tpu/tensorcore/idle_duration de una VM de 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.

Utilización de TensorCore

La métrica accelerator/tensorcore_utilization se genera para el recurso GCE TPU Worker y hace un seguimiento del porcentaje actual del TensorCore que se usa. Para calcular esta métrica, se divide la cantidad de operaciones de TensorCore realizadas durante un período de muestra por la cantidad máxima de operaciones que se pueden realizar durante el mismo período. Un valor mayor significa un mejor uso. La métrica de uso de TensorCore es compatible con las generaciones de TPU v4 y posteriores.

Uso de memoria y ancho de banda

La métrica accelerator/memory_bandwidth_utilization se genera para el recurso GCE TPU Worker y hace un seguimiento del porcentaje actual del ancho de banda de memoria del acelerador que se usa. Para calcular esta métrica, se divide el ancho de banda de memoria usado durante un período de muestra por el ancho de banda máximo admitido durante el mismo período de muestra. Un valor más alto significa un mejor uso. La métrica Uso de memoria y ancho de banda de TPU es compatible con las generaciones v4 y posteriores de TPU.

Ciclo de trabajo del acelerador

La métrica accelerator/duty_cycle se genera para el recurso GCE TPU Worker y realiza un seguimiento del porcentaje de tiempo durante el período de muestra en el que el TensorCore del acelerador se procesó de forma activa. Los valores están entre 0 y 100. Un valor mayor significa un mejor uso de TensorCore. Esta métrica se informa cuando se ejecuta una carga de trabajo de aprendizaje automático en la VM de TPU. La métrica de ciclo de trabajo del acelerador es compatible con JAX 0.4.14 y versiones posteriores, PyTorch 2.1 y versiones posteriores, y TensorFlow 2.14.0 y versiones posteriores.

Memoria total del acelerador

La métrica accelerator/memory_total se genera para el recurso GCE TPU Worker y realiza un seguimiento de la memoria total del acelerador asignada en bytes. Esta métrica se informa cuando se ejecuta una carga de trabajo de aprendizaje automático en la VM de TPU. La métrica Total de memoria del acelerador es compatible con JAX 0.4.14 y versiones posteriores, PyTorch 2.1 y versiones posteriores, y TensorFlow 2.14.0 y versiones posteriores.

Nota: La métrica Total de memoria del acelerador solo está disponible con el entorno de ejecución de PJRT.

Memoria del acelerador utilizada

La métrica accelerator/memory_used se genera para el recurso GCE TPU Worker y realiza un seguimiento de la memoria total del acelerador que se usa en bytes. Esta métrica se informa cuando se ejecuta una carga de trabajo de aprendizaje automático en la VM de TPU. La métrica Accelerator Memory Used es compatible con JAX 0.4.14 y versiones posteriores, PyTorch 2.1 y versiones posteriores, y TensorFlow 2.14.0 y versiones posteriores.

Nota: La métrica Memoria del acelerador utilizada solo está disponible con el entorno de ejecución de PJRT.

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 TPU Worker o GCE TPU Worker, según la métrica que te interese. Selecciona un recurso para mostrar todas las métricas disponibles para ese recurso. Si la opción Activo está habilitada, solo se enumeran las métricas con datos de series temporales en las últimas 25 horas. Inhabilita Activas para ver todas las métricas.

También puedes acceder a las métricas con llamadas HTTP de curl.

Usa el botón Probar 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 inactiva de la zona especificada durante los últimos cinco 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 realizar la llamada y ver los resultados del mensaje HTTP POST.

El documento Referencia del lenguaje de consulta de Monitoring contiene más información para personalizar esta consulta.

Nota: Las VMs de Cloud TPU no generan todas las métricas que se enumeran en Métricas de Cloud TPU. Usa la configuración
Activo en el Explorador de métricas para ver qué métricas están disponibles cuando ejecutas tu secuencia de comandos de entrenamiento.

Crea alertas

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

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

1. Ve 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 uno nuevo. Escribe una dirección de correo electrónico, un nombre visible y haz clic en Guardar.
5. En la página Alertas, haz clic en Crear política.
6. Haz clic en Seleccionar una métrica y, luego, en Duración inactiva de Tensorcore y, luego, en Aplicar.
7. Haz clic en Siguiente y, luego, en Umbral.
8. En Activador de alertas, selecciona Cualquier serie temporal es una infracción.
9. En Posición del umbral, selecciona Umbral superior.
10. En Umbral de valor, escribe 86400000.
11. Haz clic en Siguiente.
12. En Canales de notificaciones, selecciona tu canal de notificaciones por correo electrónico y haz clic en Aceptar.
13. Escribe un nombre para la política de alertas.
14. Haz clic en Siguiente y, luego, en Crear política.

Cuando la duración inactiva de TensorCore supera las 24 horas, se envía un correo electrónico a la dirección de correo electrónico que especificaste.

Logging

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

Los registros del trabajador de TPU contienen información sobre un trabajador de Cloud TPU específico 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 de Cloud TPU específica y quién realizó la llamada. Por ejemplo, puedes encontrar información sobre las llamadas a las APIs de CreateNode, UpdateNode y DeleteNode.

Los frameworks de AA pueden generar registros en la salida estándar y el error estándar. Estos registros están controlados por variables de entorno y los lee tu 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.

Cómo consultar 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 Compila consultas en el Explorador de registros.

Registros de recursos auditados

Para ver los registros de recursos auditados, haz lo siguiente:

1. Ve al explorador de registros de Google Cloud.
2. Haz clic en el menú desplegable Todos los recursos.
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.

Haz clic en cualquier entrada de registro para expandirla. Cada entrada de registro tiene varios campos, incluidos los siguientes:

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

Registros del trabajador de TPU

Para ver los registros del trabajador de TPU, haz lo siguiente:

1. Ve al explorador de registros de Google Cloud.
2. Haz clic en el menú desplegable Todos los recursos.
3. Haz clic en Trabajador de 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.

Haz clic en cualquier entrada de registro para expandirla. Cada entrada de registro tiene un campo llamado jsonPayload. Expande jsonPayload para ver varios campos, incluidos los siguientes:

• accelerator_type: Es 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 (de 0 a 350 GiB)

Crea métricas basadas en registros

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

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

1. Ve al explorador de registros de Google Cloud.

2. En el cuadro de búsqueda, ingresa la siguiente búsqueda para extraer todas las entradas de registro que tengan system_available_memory_GiB definida 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. En este ejemplo, escribe “matrix_unit_utilization_percent” y “Uso de MXU” en los campos Nombre y Descripción, respectivamente. El filtro se prepropaga con la secuencia de comandos que ingresaste en el Explorador de registros.

6. Haz clic en Crear métrica.

7. Haz clic en Ver en el Explorador de métricas para ver la métrica nueva. Es posible que las métricas tarden unos minutos en mostrarse.

Crea métricas basadas en registros 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 Cómo crear una métrica de distribución.

Crea paneles y alertas con métricas basadas en registros

Los paneles son útiles para visualizar métricas (espera un retraso de aproximadamente 2 minutos). Las alertas son útiles para enviar notificaciones cuando se producen errores. Para obtener más información, consulta:

• Paneles de supervisión y registro
• Administra paneles personalizados
• Crea políticas de alertas basadas en métricas

Crea paneles

Para crear un panel en Cloud Monitoring para la métrica Duración inactiva de Tensorcore, haz lo siguiente:

1. Ve 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 widget.
4. Elige el tipo de gráfico que deseas agregar. En este ejemplo, elige Línea.
5. Escribe un título para el widget.
6. Haz clic en el menú desplegable Seleccionar una métrica y escribe "Duración inactiva de Tensorcore" en el campo de filtro.
7. En la lista de métricas, selecciona TPU Worker -> Tpu -> Tensorcore idle duration.
8. Para filtrar el contenido del panel, haz clic en el menú desplegable Filtrar.
9. En Etiquetas de recursos, selecciona project_id.
10. Elige un comparador y escribe un valor en el campo Valor.
11. Haz clic en Aplicar.