监控 Cloud TPU 虚拟机

本指南介绍如何使用 Google Cloud Monitoring 监控 Cloud TPU 虚拟机。Google Cloud Monitoring 会自动从您的 Cloud TPU 及其主机 Compute Engine 收集metrics和日志。这些数据可用于监控 Cloud TPU 和 Compute Engine 的运行状况。

利用指标，您可以跟踪一段时间内的数值数量，例如 CPU 利用率、网络使用情况或 TensorCore 空闲时长。日志可捕获特定时间点的事件。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。

本指南将介绍 Google Cloud Monitoring 并介绍如何执行以下操作：

  • 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来设置提醒和直观呈现信息中心

前提条件

本文档假定您具备 Google Cloud Monitoring 的一些基础知识。您必须先创建 Compute Engine 虚拟机和 Cloud TPU 资源，然后才能开始生成并使用 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 TPU 运行时自动生成。以下指标由 Cloud TPU 虚拟机生成：

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

从生成指标值到指标值显示在 Metrics Explorer 中，您最长可能需要等待 180 秒。

如需详细了解 TPU 相关指标，请参阅 TPU 指标。

内存用量

memory/usage 指标以字节为单位跟踪 TPU 虚拟机使用的内存。此指标每 60 秒采样一次。

网络收到的字节数

network/received_bytes_count 指标跟踪在某个时间点 TPU 虚拟机通过网络接收的累计数据字节数。

网络发送的字节数

network/sent_bytes_count 指标跟踪某个时间点 TPU 虚拟机通过网络发送的累计字节数。

CPU 利用率

cpu/utilization 指标用于跟踪 TPU 工作器的当前 CPU 利用率（以百分比表示），每分钟采样一次。值通常介于 0.0 到 100.0 之间，但可以大于 100.0。

TensorCore 空闲时长

tpu/tensorcore/idle_duration 指标会跟踪每个 TPU 芯片的 TensorCore 处于空闲状态的秒数。该指标适用于所有正在使用的 TPU 上的每个芯片。如果 TensorCore 正在使用中，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。

下图显示了具有一个工作器的 v2-8 TPU 虚拟机的 tpu/tensorcore/idle_duration 指标。每个 worker 有四个芯片。在本例中，所有四个芯片的 tpu/tensorcore/idle_duration 值都相同，因此图互相叠加。

图片

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

查看指标

您可以使用 Google Cloud 控制台中的 Metrics Explorer 查看指标。

在 Metrics Explorer 中，点击选择指标并搜索 TPU Worker。如果仅显示活跃的资源和指标处于开启状态，则系统仅显示来自活跃资源的指标。点击 TPU 工作器以显示所有可用指标。

您还可以使用 curl HTTP 调用来访问指标：

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

  1. 按如下格式填写名称：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过去五分钟的空闲时长指标。fetch tpu_worker | filter zone = 'us-central2-b' | metric tpu.googleapis.com/tpu/tensorcore/idle_duration | within 5m
  3. 点击执行以发出调用，并查看 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 查询语言参考文档。

您可以创建提醒政策，让 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 Idle Duration 指标添加提醒政策的示例。只要此指标超过 24 小时，Cloud Monitoring 就会向注册的电子邮件地址发送电子邮件。

  1. 转到 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，点击新增。输入电子邮件地址和显示名，然后点击保存。
  5. 点击创建政策。
  6. 点击选择指标，然后选择 Tensorcore Idle Duration 并点击应用。
  7. 点击下一步，然后点击阈值。
  8. 在提醒触发器部分，选择任何违反时序的情况。
  9. 对于阈值位置，选择高于阈值。
  10. 对于阈值，输入 86400000。
  11. 点击下一步。
  12. 在通知渠道下，选择您的电子邮件通知渠道，然后点击确定。
  13. 输入提醒政策的名称。
  14. 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一封电子邮件。

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写入。您可以使用 Logs Explorer 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，选择一种资源类型：

  • Cloud TPU 工作器 -> 可用区 -> 节点 ID
  • 已审核的资源 -> Cloud TPU -> API（google.cloud.tpu.v2alpha1.Tpu.CreateNode、google.cloud.tpu.v2alpha1.Tpu.DeleteNode、google.cloud.tpu.v2alpha1.Tpu.UpdateNode）

Cloud TPU 工作器日志包含有关特定区域中特定 Cloud TPU 工作器的信息，例如 Cloud TPU 工作器上的可用内存量 (system_available_memory_GiB)。

已审核的资源日志包含有关何时调用特定 Cloud TPU API 以及调用者的信息。例如 CreateNode、UpdateNode 和 DeleteNode。

机器学习框架可以生成 stdout 和 stderr 日志。这些日志由环境变量控制并由训练脚本读取。

您的代码可以将日志写入 Google Cloud Logging。如需了解详情，请参阅编写标准日志和编写结构化日志。

如需查看 Cloud TPU 日志，请执行以下操作：

  1. 转到 Google Cloud 日志查看器
  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。日志显示在查询结果中

如需查看已审核资源的日志，请执行以下操作：

  1. 转到 Google Cloud 日志查看器
  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。日志显示在查询结果中
  6. 选择以 google.cloud.tpu.v2alpha1.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，页面会执行默认查询。 选择 Show query 切换开关即可查看查询。您可以修改默认查询，也可以创建新查询。如需了解详情，请参阅在日志浏览器中构建查询。

已审核的资源日志

点击任意日志条目以将其展开，然后您会看到一个名为 protoPayload 的字段。展开 protoPayload，您会看到多个子字段：

  • logName：日志的名称
  • protoPayload -> @type：日志的类型
  • resourceNameresourceName：您的 Cloud TPU 的名称
  • methodName：调用的方法的名称（仅限审核日志）
  • request -> @type：请求类型
  • request -> node：关于 Cloud TPU 节点的详细信息
  • request -> node_id：TPU 的名称
  • severity：日志的严重性

TPU 工作器日志

点击任意日志条目以将其展开，然后您会看到一个名为 jsonPayload 的字段。展开 jsonPayload，您会看到多个子字段：

  • 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 GiB)

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来监控 Cloud TPU 工作器可用内存。

  1. 导航到 Logs Explorer

  2. 在查询框中输入以下查询，以提取为主 Cloud TPU 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、说明和度量单位（可选）。 在 Name 和 Description 字段中分别输入“matrix_unit_utilization_percent”和“MXU conditions”

  6. 该过滤条件会预先填充您在 Logs Explorer 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。指标需要几分钟时间

使用 Cloud Logging REST API 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

信息中心非常适合直观呈现指标（预计延迟大约 2 分钟）；提醒有助于在出现错误时发送通知。如需了解详情，请参阅以下主题：

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. 转到 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，然后点击添加微件
  4. 选择要添加的图表类型。在本例中，即是选择直线
  5. 输入微件的标题
  6. 点击选择指标下拉菜单，然后在过滤条件字段中输入“Tensorcore 空闲时长”
  7. 在指标列表中，依次选择 TPU 工作器 -> Tpu -> Tensorcore 空闲时长
  8. 要过滤信息中心内容，请点击过滤条件下拉菜单
  9. 在资源标签下，选择 project_id
  10. 选择一个比较运算符，然后在值字段中输入一个值
  11. 点击应用