Monitorar VMs da Cloud TPU

Neste guia, explicamos como usar o Google Cloud Monitoring para monitorar suas VMs do Cloud TPU. O Google Cloud Monitoring coleciona automaticamente métricas e registros do Cloud TPU e do host do Compute Engine. Esses dados podem ser usados para monitorar a integridade da Cloud TPU e do Compute Engine.

As métricas permitem acompanhar uma quantidade numérica ao longo do tempo, por exemplo, a utilização da CPU, da rede ou a duração de inatividade do TensorCore. Os registros capturam eventos em um momento específico. As entradas de registro são gravadas pelo seu próprio código, pelos serviços do Google Cloud, por aplicativos de terceiros e pela infraestrutura do Google Cloud. Também é possível gerar métricas com base nos dados presentes em uma entrada de registro criando uma métrica com base em registros. Também é possível definir políticas de alerta com base em valores de métricas ou entradas de registro.

Neste guia, discutimos o Google Cloud Monitoring e mostramos como:

Pré-requisitos

Este documento pressupõe algum conhecimento básico do Google Cloud Monitoring. É necessário ter uma VM do Compute Engine e os recursos do Cloud TPU criados antes de começar a gerar e trabalhar com o Monitoramento do Google Cloud. Consulte o Guia de início rápido do Cloud TPU para mais detalhes.

Métricas

As métricas do Google Cloud são geradas automaticamente pelas VMs do Compute Engine e pelo ambiente de execução do Cloud TPU. As seguintes métricas são geradas pelas VMs do 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

Pode levar até 180 segundos entre o momento em que um valor de métrica é gerado e quando ele é exibido no Explorador de métricas.

Para uma lista completa de métricas geradas pelo Cloud TPU, consulte Métricas do Cloud TPU do Google Cloud.

Uso da memória

A métrica memory/usage é gerada para o recurso TPU Worker e rastreia a memória usada pela VM TPU em bytes. Essa métrica é amostrada a cada 60 segundos.

Contagem de bytes recebidos da rede

A métrica network/received_bytes_count é gerada para o recurso TPU Worker e rastreia o número de bytes cumulativos de dados que a VM do TPU recebeu pela rede em um determinado momento.

Contagem de bytes enviados pela rede

A métrica network/sent_bytes_count é gerada para o recurso TPU Worker e rastreia o número de bytes cumulativos que a VM TPU enviou pela rede em um determinado momento.

Utilização de CPU

A métrica cpu/utilization é gerada para o recurso TPU Worker e rastreia a utilização atual da CPU no worker da TPU, representada como uma porcentagem, amostrada uma vez por minuto. Os valores geralmente estão entre 0,0 e 100,0, mas podem ultrapassar 100,0.

Duração inativa do TensorCore

A métrica tpu/tensorcore/idle_duration é gerada para o recurso TPU Worker e rastreia o número de segundos em que o TensorCore de cada chip da TPU ficou inativo. Essa métrica está disponível para cada chip em todas as TPUs em uso. Se um TensorCore estiver em uso, o valor da duração de inatividade será redefinido para zero. Quando o TensorCore não está mais em uso, o valor da duração inativa começa a aumentar.

O gráfico a seguir mostra a métrica tpu/tensorcore/idle_duration de uma VM TPU v2-8 com um worker. Cada worker tem quatro chips. Neste exemplo, todos os quatro ícones têm os mesmos valores para tpu/tensorcore/idle_duration, então os gráficos são sobrepostos.

imagem

Utilização do TensorCore

A métrica accelerator/tensorcore_utilization é gerada para o recurso GCE TPU Worker e rastreia a porcentagem atual do TensorCore que é utilizada. Essa métrica é calculada dividindo o número de operações do TensorCore realizadas em um período de amostra pelo número máximo de operações que podem ser realizadas no mesmo período. Um valor maior significa melhor utilização. A métrica de utilização do TensorCore tem suporte para a v4 e gerações mais recentes de TPU.

Utilização de largura de banda de memória

A métrica accelerator/memory_bandwidth_utilization é gerada para o recurso GCE TPU Worker e rastreia a porcentagem atual da largura de banda da memória do acelerador que está sendo usada. Essa métrica é calculada pela divisão da largura de banda da memória usada durante um período de amostragem pela largura de banda máxima aceita no mesmo período. Um valor maior significa melhor utilização. A métrica de utilização de largura de banda de memória tem suporte à v4 e às gerações mais recentes de TPU.

Ciclo de trabalho do acelerador

A métrica accelerator/duty_cycle é gerada para o recurso GCE TPU Worker e rastreia a porcentagem de tempo durante o período de amostra em que o TensorCore do acelerador estava processando ativamente. Os valores estão no intervalo de 0 a 100. Um valor maior significa melhor utilização do TensorCore. Essa métrica é informada quando uma carga de trabalho de machine learning está sendo executada na VM do TPU. A métrica do ciclo de ativação do acelerador tem suporte para JAX 0.4.14 e mais recentes, PyTorch 2.1 e mais recentes e TensorFlow 2.14.0 e mais recentes.

Total de memória do acelerador

A métrica accelerator/memory_total é gerada para o recurso GCE TPU Worker e rastreia a memória total do acelerador alocada em bytes. Essa métrica é informada quando uma carga de trabalho de machine learning está sendo executada na VM do TPU. A métrica "Accelerator Memory Total" tem suporte para JAX 0.4.14 e mais recentes, PyTorch 2.1 e mais recentes e TensorFlow 2.14.0 e mais recentes.

Memória do acelerador usada

A métrica accelerator/memory_used é gerada para o recurso GCE TPU Worker e rastreia a memória total do acelerador usada em bytes. Essa métrica é informada quando uma carga de trabalho de machine learning está sendo executada na VM do TPU. A métrica Accelerator Memory Used tem suporte para JAX 0.4.14 e versões mais recentes, PyTorch 2.1 e versões mais recentes e TensorFlow 2.14.0 e versões mais recentes.

Como ver métricas

É possível conferir as métricas usando o Metrics Explorer no console do Google Cloud.

No Metrics Explorer, clique em Selecionar uma métrica e pesquise TPU Worker ou GCE TPU Worker, dependendo da métrica de seu interesse. Selecione um recurso para mostrar todas as métricas disponíveis. Se a opção Ativo estiver ativada, só as métricas com dados de série temporal nas últimas 25 horas serão listadas. Desative a opção Ativo para listar todas as métricas.

Também é possível acessar métricas usando chamadas HTTP curl.

Use o botão Testar na documentação projects.timeSeries.query para recuperar o valor de uma métrica no período especificado.

  1. Preencha o nome no seguinte formato: projects/{project-name}.

  2. Adicione uma consulta à seção Corpo da solicitação. Confira a seguir um exemplo de consulta para extrair a métrica de duração inativa da zona especificada nos últimos cinco minutos.

    fetch tpu_worker | filter zone = 'us-central2-b' | metric tpu.googleapis.com/tpu/tensorcore/idle_duration | within 5m

  3. Clique em Executar para fazer a chamada e conferir os resultados da mensagem POST HTTP.

O documento de referência da linguagem de consulta do Monitoring tem mais informações sobre como personalizar essa consulta.

Como criar alertas

É possível criar políticas de alertas que instruem o Cloud Monitoring a enviar um alerta quando uma condição é atendida.

As etapas nesta seção mostram um exemplo de como adicionar uma política de alerta para a métrica TensorCore Idle Duration. Sempre que essa métrica exceder 24 horas, o Cloud Monitoring vai enviar um e-mail para o endereço de e-mail registrado.

  1. Acesse o console de monitoramento.
  2. No painel de navegação, clique em Alertas.
  3. Clique em Editar canais de notificação.
  4. Em E-mail, clique em Adicionar novo. Digite um endereço de e-mail, um nome de exibição e clique em Salvar.
  5. Na página Alertas, clique em Criar política.
  6. Clique em Selecionar uma métrica, selecione Duração de inatividade do Tensorcore e clique em Aplicar.
  7. Clique em Próxima e em Limite.
  8. Em Gatilho de alerta, selecione Qualquer violação de série temporal.
  9. Em Posição do limite, selecione Acima do limite.
  10. Em Valor do limite, digite 86400000.
  11. Clique em Próxima.
  12. Em Canais de notificação, selecione o canal de notificação por e-mail e clique em OK.
  13. Digite um nome para a política de alertas.
  14. Clique em Próxima e em Criar política.

Quando a duração inativa do TensorCore excede 24 horas, um e-mail é enviado para o endereço de e-mail especificado.

Geração de registros

As entradas de registro são gravadas por serviços do Google Cloud, serviços de terceiros, frameworks de ML ou seu código. É possível conferir os registros usando o Explorador de registros ou a API Logs. Para mais informações sobre a geração de registros do Google Cloud, consulte Google Cloud Logging.

Os registros do worker da TPU contêm informações sobre um worker específico da Cloud TPU em uma zona específica, por exemplo, a quantidade de memória disponível no worker da Cloud TPU (system_available_memory_GiB).

Os registros de recursos auditados contêm informações sobre quando uma API específica do Cloud TPU foi chamada e quem fez a chamada. Por exemplo, é possível encontrar informações sobre chamadas para as APIs CreateNode, UpdateNode e DeleteNode.

Os frameworks de ML podem gerar registros para a saída padrão e o erro padrão. Esses registros são controlados por variáveis de ambiente e lidos pelo script de treinamento.

Seu código pode gravar registros no Google Cloud Logging. Para mais informações, consulte Gravar registros padrão e Gravar registros estruturados.

Consultar registros do Google Cloud

Quando você acessa os registros no console do Google Cloud, a página executa uma consulta padrão. Para conferir a consulta, selecione a chave seletora Show query. É possível modificar a consulta padrão ou criar uma nova. Para mais informações, consulte Criar consultas no Explorador de registros.

Registros de recursos auditados

Para conferir os registros de recursos auditados:

  1. Acesse o Explorador de registros do Google Cloud.
  2. Clique no menu suspenso Todos os recursos.
  3. Clique em Recurso auditado e em Cloud TPU.
  4. Escolha a API Cloud TPU de seu interesse.
  5. Clique em Aplicar. Os registros são exibidos nos resultados da consulta.

Clique em qualquer entrada de registro para abrir. Cada entrada de registro tem vários campos, incluindo:

  • logName: o nome do registro
  • protoPayload -> @type: o tipo do registro
  • protoPayload -> resourceName: o nome do Cloud TPU.
  • protoPayload -> methodName: o nome do método chamado (somente registros de auditoria).
  • protoPayload -> request -> @type: o tipo de solicitação.
  • protoPayload -> request -> node: detalhes sobre o nó do Cloud TPU.
  • protoPayload -> request -> node_id: o nome da TPU.
  • severity: a gravidade do registro.

Registros do worker da TPU

Para conferir os registros do worker da TPU:

  1. Acesse o Explorador de registros do Google Cloud.
  2. Clique no menu suspenso Todos os recursos.
  3. Clique em TPU Worker.
  4. Selecione uma zona.
  5. Selecione o Cloud TPU de seu interesse.
  6. Clique em Aplicar. Os registros são exibidos nos resultados da consulta.

Clique em qualquer entrada de registro para abrir. Cada entrada de registro tem um campo chamado jsonPayload. Abra jsonPayload para conferir vários campos, incluindo:

  • accelerator_type: o tipo de acelerador
  • consumer_project: o projeto em que a Cloud TPU está hospedada
  • evententry_timestamp: o horário em que o registro foi gerado
  • system_available_memory_GiB: a memória disponível no worker do Cloud TPU (0 a 350 GiB).

Como criar métricas com base em registros

Esta seção descreve como criar métricas com base em registros usadas para configurar painéis e alertas de monitoramento. Para informações sobre como criar métricas com base em registros de forma programática, consulte Como criar métricas com base em registros de forma programática usando a API REST do Cloud Logging.

O exemplo a seguir usa o subcampo system_available_memory_GiB para demonstrar como criar uma métrica com base em registros para monitorar a memória disponível do worker do Cloud TPU.

  1. Acesse o Explorador de registros do Google Cloud.

  2. Na caixa de consulta, insira a consulta a seguir para extrair todas as entradas de registro que tiverem system_available_memory_GiB definido para o worker principal do 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. Clique em Criar métrica para abrir o Editor de métricas.

  4. Em Tipo de métrica, escolha Distribuição.

  5. Digite um nome, uma descrição opcional e a unidade de medida da métrica. Neste exemplo, digite "matrix_unit_utilization_percent" e "MXU utilization" nos campos Nome e Descrição, respectivamente. O filtro é preenchido com o script que você inseriu no Análise de registros.

  6. Clique em Criar métrica.

  7. Clique em Ver no Metrics Explorer para conferir a nova métrica. Pode levar alguns minutos para que as métricas sejam exibidas.

Como criar métricas com base em registros com a API REST do Cloud Logging

Também é possível criar métricas com base em registros usando a API Cloud Logging. Para mais informações, consulte Como criar uma métrica de distribuição.

Como criar painéis e alertas usando métricas com base em registros

Os painéis são úteis para visualizar métricas (previsão de cerca de 2 minutos de atraso). Os alertas são úteis para enviar notificações quando ocorrem erros. Para mais informações, consulte estes tópicos:

Como criar painéis

Para criar um painel no Cloud Monitoring para a métrica Duração inativa do Tensorcore:

  1. Acesse o console de monitoramento.
  2. No painel de navegação, clique em Painéis.
  3. Clique em Criar painel e em Adicionar widget.
  4. Escolha o tipo de gráfico que você quer adicionar. Neste exemplo, escolha Linha.
  5. Digite um título para o widget.
  6. Clique no menu suspenso Selecionar uma métrica e digite "Duração de inatividade do Tensorcore" no campo de filtro.
  7. Na lista de métricas, selecione TPU Worker -> Tpu -> Duração de inatividade do Tensorcore.
  8. Para filtrar o conteúdo do painel, clique no menu suspenso Filtrar.
  9. Em Rótulos de recursos, selecione project_id.
  10. Escolha um comparador e digite um valor no campo Valor.
  11. Clique em Aplicar.