1. 概述

mx-exporter是用于在集群环境中收集曦云^® GPU设备指标数据的工具。集群监控系统Prometheus可以通过HTTP从运行于每个节点的mx-exporter拉取设备指标数据。 可视化工具Grafana将收集的GPU设备指标转化成易于理解的图表。

本文将介绍如何在Kubernetes集群中部署Prometheus，Grafana，mx-exporter来监控GPU设备。

mx-exporter指标及标签具体说明请参见《曦云系列^® 通用计算GPU mx-exporter使用手册》

2. 环境信息及新建Namespace

2.1. 环境信息

本文中各工具应用的版本参见下表，用户可根据实际情况选取版本。

表 2.1 工具版本信息

名称	版本
Kubernetes	v1.24.0
docker	20.10.21
containerd	1.6.10
Prometheus	v2.46.0
Grafana	11.2.2
Helm	v3.9.3

2.2. 导入mx-exporter镜像

操作步骤

1. 解压mx-exporter镜像包。

   tar -zxvf mx-exporter.xxx.tgz
   

2. 根据主机的架构加载对应的镜像。对于x86架构主机，使用amd64后缀的镜像；对于Arm架构主机，使用arm64后缀的镜像。

   cd mx-exporter; docker load -i mx-exporter-xx-amd64.xz
   

3. 将mx-exporter镜像推送到Harbor中，用户需要更改部署脚本中的镜像下载地址为设置的推送地址，例如Harbor为 mxcr.io 。

   docker login -u $user mxcr.io
   docker tag mxcr.io/cloud/mx-exporter:xxx mxcr.io/$project/mx-exporter:xxx
   docker push mxcr.io/$project/mx-exporter:xxx
   

2.3. 在Kubernetes中新建Namespace

操作步骤

1. 新建namespace。

   cd mx-exporter/deployment; kubectl create -f namespace.yaml
   

   回显信息如下所示。

   namespace/metax-monitor created
   

2. 查看新建的namespace，回显信息如图 2.1 所示。

   kubectl get namespace
   

   

   图 2.1 查看新建的namespace

3. mx-exporter部署

本节介绍两种在Kubernetes上部署mx-exporter的方式，用户可根据需要选择一种。

3.1. Helm方式部署

Helm在 mx-exporter/deployment/mx-exporter/helm 内，可按需设置下表参数，在安装时用 --set 传入以生效。

表 3.1 Helm方式部署exporter参数

参数	类型	描述
image.repository	string	镜像地址，默认为cr.metax-tech.com/cloud/mx-exporter
image.tag	string	镜像版本号
service.port	integer	设置mx-exporter pod中container的端口，默认为8000
gatherInterval	integer	指标收集间隔，默认为10000ms
logMonitor	integer	默认为0 0：禁用监控kernel log功能 1：启用监控kernel log功能

用户根据mx-exporter镜像信息设置 image.repository 和 image.tag 。

操作步骤（部署mx-exporter）

1. 部署mx-exporter，回显信息如图 3.1 所示。

   cd mx-exporter/deployment/mx-exporter/helm; helm install metax-mx-exporter mx-exporter -n metax-monitor --set image.repository=xxx --set image.tag=xxxx
   

   

   图 3.1 Helm方式部署mx-exporter

2. 查看新建资源信息，回显信息如图 3.2 所示。

   helm list -n metax-monitor
   kubectl get all -n metax-monitor -o wide
   

   

   图 3.2 查看新建资源信息(Helm)

默认每个节点都已部署mx-exporter。需记录mx-exporter pod IP，在Grafana后续展示中用于筛选需要展示指标的目标服务器。

查看抓取信息

mx-exporter部署成功后，等待40秒，可在k8s中用 curl 命令查看mx-exporter抓取的GPU信息，回显信息如图 3.3 所示。

curl <mx-exporter_pod_ip>:<mx-exporter_service_port>

图 3.3 查看mx-exporter抓取信息（Helm）

删除资源

如需删除资源，可使用以下命令：

helm uninstall metax-mx-exporter -n metax-monitor

3.2. YAML方式部署

如需修改下表参数，可编辑mx-exporter/deployment/mx-exporter/mx-exporter-daemonset.yaml。

表 3.2 YAML方式部署exporter参数

参数	类型	描述
image	string	镜像地址：Tag号，用户根据导入的mx-exporter镜像信息设置
-c	string	用户自定义的指标配置文件，默认在 /etc/config/metrics
-p	integer	port，设置端口，默认为8000
-i	integer	interval，指标收集间隔，在containers.args中，默认为10000ms
-lm	integer	kernel log监控开关 0：禁用监控kernel log功能 1：启用监控kernel log功能

操作步骤（部署mx-exporter）

1. 部署mx-exporter。

   cd mx-exporter/deployment/mx-exporter; kubectl create -f mx-exporter-daemonset.yaml
   

   回显信息如下：

   serviceaccount/metax-mx-exporter created
   configmap/exporter-metrics-config-map created
   service/metax-mx-exporter created
   daemonset.apps/metax-mx-exporter created
   

2. 查看新建资源信息，回显信息如图 3.4 所示。

   kubectl get all -n metax-monitor -o wide
   

   

   图 3.4 查看新建资源信息(YAML)

默认每个节点都已部署mx-exporter。记录mx-exporter pod IP，在Grafana后续展示中用于筛选需要展示指标的目标服务器。

查看抓取信息

mx-exporter部署成功后，等待40秒，可在k8s中用 curl 命令查看mx-exporter抓取的GPU信息，回显信息如图 3.5 所示。

curl <mx-exporter_pod_ip>:<mx-exporter_service_port>

图 3.5 查看mx-exporter抓取信息（YAML）

删除资源

如需删除资源，可使用以下命令：

cd mx-exporter/deployment/mx-exporter; kubectl delete -f .

4. Prometheus部署

如需修改下表参数，可编辑mx-exporter/deployment/prometheus/prometheus-deployment.yaml。

表 4.1 Prometheus部署参数

参数	描述
image	镜像地址：Tag号，可从Docker Hub下载prom/prometheus:v2.46.0

操作步骤（部署Prometheus）

1. 部署Prometheus，回显信息如图 4.1 所示。

   cd mx-exporter/deployment/prometheus; kubectl create -f .
   

   

   图 4.1 部署Prometheus

2. 查看新建资源信息，回显信息如图 4.2 所示。

   kubectl get all -n metax-monitor -o wide | grep prom
   

   

   图 4.2 查看新建Prom信息

可以看到pod，service，deployment，replicaset资源已成功创建。

查看抓取信息

浏览器中输入 http://<k8s_master_ip>:<prometheus_service_port> 访问Prometheus GUI，其中 prometheus_service_port 默认为 30000。 输入已知的GPU指标，查看抓取的信息，如图 4.3 所示。

图 4.3 在Prometheus中查看指标

删除资源

如需删除资源，可使用以下命令：

cd mx-exporter/deployment/prometheus; kubectl delete -f .

5. Grafana部署

如需修改下表参数，可编辑 mx-exporter/deployment/grafana/deployment.yaml 。

表 5.1 Grafana部署参数

参数	描述
image	镜像地址：Tag号，可从Docker Hub下载grafana/grafana-oss:11.2.2

操作步骤（部署Grafana）

1. 部署Grafana，回显信息如图 5.1 所示。

   cd mx-exporter/deployment/grafana; kubectl create -f .
   

   

   图 5.1 部署Grafana

2. 查看新建资源信息，回显信息如图 5.2 所示。

   kubectl get all -n metax-monitor -o wide | grep grafana
   

   

   图 5.2 查看新建Grafana信息

可以看到pod，service，deployment，replicaset资源已成功创建。

删除资源

如需删除资源，可使用以下命令：

cd mx-exporter/deployment/grafana; kubectl delete -f .

登录Grafana UI界面

不同版本的Grafana UI显示可能有差别，图 5.3 以11.2.2为示例。 在浏览器中输入 http://<k8s_master_ip>:<grafana_service_port> ，其中 grafana_service_port 默认为32000。 首次登录用户名为 admin ， 密码为 admin 。登录后可立即更新密码，也可点 skip 暂时跳过。

图 5.3 Grafana登录界面

6. GPU性能指标展示

6.1. 接入Prometheus数据

操作步骤

1. 在Grafana中点击 Home 选择 Connections > Data sources，如图 6.1 所示。

   

   图 6.1 Grafana选择数据源

2. 默认已添加Prometheus，若未添加可点击右上角Add new data source，选择添加Prometheus。之后点击 prometheus 进行配置，如图 6.2 所示。

   

   图 6.2 Grafana添加数据源

3. 配置URL为http://<k8s_master_ip>:<prometheus_service_port>，其中prometheus_service_port默认为30000。 点击底部Save & test测试Prometheus连通性，提示添加数据库成功，如图 6.3 所示。

   

   图 6.3 Grafana配置数据源URL

6.2. 添加监控模板

操作步骤

1. 点击Dashboards图标，点击New，选择Import，如图 6.4 所示。

   

   图 6.4 Grafana选择导入Json

2. 点击Upload dashboard JSON file，上传mx-exporter/deployment/grafana-dashboard/MetaX-GPU-C500.json文件，如图 6.5 所示。

   

   图 6.5 Grafana选择监控模板

3. 数据源选prometheus，点击Import，如图 6.6 所示。

   

   图 6.6 Grafana导入模板选择数据源

4. Dashboard中 server 选择 <hostname> 。 device 选择一个有效值，如 GPU0 ，可查看服务器GPU0基本指标信息。点击右上角时间下拉框，可选择展示特定时间段的信息，如图 6.7 所示。

   

   图 6.7 Grafana数据指标展示

6.3. 添加新的指标到监控面板

操作步骤

1. 查看 mx-exporter/config/default-counters.csv 中的指标信息，根据实际情况在Grafana中添加想要监控的指标，如 pcie_peed。

   有些指标仅为某些特定板卡型号中有，请注意筛选。 如图 6.8 所示，第一列加“#”的内容为注释行，如果不想收集某些指标，可用“#”将其注释掉。 指标标签为可用于过滤指标信息的标签，指标描述及指标标签均可编辑（标签不可更改顺序及增删），编辑后在Grafana中也需做相应更改。

   

   图 6.8 default-counters中的指标说明

2. 点击 Add 图标，下拉框中选择 Visualization ，如图 6.9 所示。

   

   图 6.9 Grafana添加一个新指标图

3. 点击数据源选择 prometheus ，在 Query 中搜索指标名称及筛选的Label，点击Run queries查看是否有数据显示，如展示符合预期，编辑右边的指标名称（Title）及描述（Description），点击Apply，如图 6.10 所示。

   

   图 6.10 Grafana编辑新建的指标信息

4. （可选）点击面板右侧 图标，选择 Edit ，可再次编辑面板信息，如图 6.11 所示。

   

   图 6.11 Grafana再次编辑指标信息

5. 添加完所需指标后，可点击 保存该面板，如图 6.12 所示。

   新添加的指标面板在最上面，可根据需要将光标移动到指标名，当出现可移动图标时拖拽该指标移动位置。

   

   图 6.12 保存新面板

6. 在 Details 中描述新增或者修改的内容，点击 Save ，如图 6.13 所示。

   

   图 6.13 描述变更内容

7. 点击面板中的 图标，选择 Export > Save to file 将当前视图保存为新的JSON文件，如图 6.14 所示。

   

   图 6.14 导出视图为JSON文件

6.4. 修改指标收集范围

若当前默认指标收集范围需要变更，可通过以下方法修改指标后再部署。

• Helm 部署增加指标

  修改mx-exporter/deployment/mx-exporter/helm/mx-exporter/templates/metrics-configmap.yaml, 去掉指标前的 “#” 以启用指标收集；在指标前加 “#” 将不会收集该指标数据。

• YAML 部署增加指标

  修改mx-exporter/deployment/mx-exporter/mx-exporter-daemonset.yaml下 mx-exporter-metrics-config-map 中的指标内容，去掉指标前的 “#” 以启用指标收集；在指标前加 “#” 将不会收集该指标数据。

6.5. sGPU监控

为了监控集群中sGPU（sliced GPU）的使用，需要在部署前完成以下操作。

1. 去掉sGPU相关指标前的 “#” 启用sGPU指标收集，具体操作参见 6.4 修改指标收集范围。

2. 将主机设备进行切分，具体操作参见《曦云系列^® 通用计算GPU mx-smi使用手册》中 “sGPU切分选项”章节。

3. 部署后，mx-exporter可正常获取sGPU指标，参见 6.2 添加监控模板 操作，导入名为mx-exporter/deployment/grafana-dashboard/MetaX-sGPU.json的监控模板。

4. 在Grafana中左上角选择相应的hostname，GPU设备，sGPU设备，可查看当前sGPU指标，如图 6.15 所示：

   

   图 6.15 查看当前sGPU指标

7. 告警规则

在Prometheus的配置文件mx-exporter/deployment/Prometheus/config-map.yaml中可定义告警规则，当环境中相关指标达到了触发告警的条件，则会展示告警信息。仅当环境相应指标恢复正常时，告警才可消除。

表 7.1 告警及触发条件说明

告警名称（alert）	触发表达式（expr）	严重程度定义（severity）
GPU not available	mx_gpu_state == 0	error
Driver kernel error	mx_kernel_error > 0	error
MetaXLink speed anomaly	mx_mxlk_bw > 0 AND mx_mxlk_speed < 32	error
MetaXLink width anomaly	mx_mxlk_width > 0 AND mx_mxlk_width < 16	error
PCIe speed anomaly	mx_gpu_usage > 0 AND mx_pcie_speed < 32	error
PCIe width anomaly	mx_gpu_usage > 0 AND mx_pcie_speed < 16	error
Over temperature	mx_chip_hotspot_temp > 110 OR mx_board_core_temp > 115	error
High temperature	mx_chip_hotspot_temp > 100 OR mx_board_core_temp > 100 （for 30s）	warning
XCore DPM downgrade	mx_gpu_usage > 0 AND mx_xcore_dpm_level < 5	error

7.1. Prometheus UI告警展示

当mx-exporter和Prometheus部署完毕后，在浏览器输入<k8s_master_ip>:<prometheus_service_port>，prometheus_service_port默认为30000。 打开Prometheus UI界面，点击Alerts栏，可查看所有定义的告警信息。

如图 7.1 所示，可以看到规则 metax gpu alerting rules 中定义的告警列表。 当无告警发生时，会显示为绿色且有0条活跃的告警信息；当有告警发生时，告警条目为红色，并显示告警数量。 点击下拉框可看到告警详细信息描述，包括告警名称，触发表达式，严重程度，标签信息，状态，告警产生时间点等。

图 7.1 Prometheus告警展示

7.2. Grafana告警展示

上传告警展示文件 mx-exporter/deployment/grafana-dashboard/MetaX-Alert.json，操作步骤参见 6.2 添加监控模板。

当有告警发生时，展示页面如图 7.2 所示。左边区域展示了告警列表信息，右边区域展示各条目告警持续时间。

图 7.2 Grafana告警展示

点击图 7.2 中左边区域的右上角 View alert rule，可查看告警详细信息，如图 7.3 所示。

图 7.3 告警详细信息

8. 兼容性

8.1. MXMACA-C500-K8s-0.8.2

mx-exporter工具中指标名称新增mx_前缀。如需解决兼容性问题，请采取以下任一方法：

• 若为Helm方式部署mx-exporter，需修改mx-exporter/deployment/mx-exporter/helm/mx-exporter/templates/metrics-configmap.yaml，去掉指标名的mx_前缀，再部署mx-exporter，操作步骤参见 3.1 Helm方式部署。

• 若为YAML方式部署mx-exporter，需修改mx-exporter/deployment/mx-exporter/mx-exporter-daemonset.yaml，去掉指标名的mx_前缀，再部署mx-exporter，操作步骤参见 3.2 YAML方式部署。

• 若正常部署新版本mx-exporter，需要给正在使用的Grafana监控模板文件中的指标名加上mx_前缀。

• 若正常部署新版本mx-exporter，可使用Prometheus relabeling功能，在Prometheus配置文件mx-exporter/deployment/prometheus/config-map.yaml中的 job_name: "metax-mx-exporter" 下，增加如下 metric_relabel_configs 配置来批量更改标签名称。

  metric_relabel_configs:
  - source_labels: [__name__]
    regex: mx_(.*)
    target_label: __name__
  

  备注

  使用Prometheus relabeling功能删除mx_前缀时，需相应删除mx-exporter/deployment/Prometheus/config-map.yaml中告警表达式的mx_前缀，告警才可正常触发。

9. 常见问题

9.1. pod不是Running状态

• 可用 kubctl describe pod <pod_name> -n metax-monitor 查看pod详细信息。

• 可用 kubectl logs <pod_name> -n metax-monitor 查看container log信息。

9.2. 导入配置文件后Grafana无数据显示

1. 首先需要确认mx-exporter有没有收集到数据，可用 kubectl logs <mx-exporter-pod_name> -n metax-monitor 查看log中有无异常。

2. 确认mx-exporter/mx-exporter/deployment/prometheus/config-map.yaml中mx-exporter的 job_name: "metax-mx-exporter" 。

3. 浏览器输入<k8s_master_ip>:<prometheus_service_port>，prometheus_service_port默认为30000。 登录Prometheus UI，在搜索框中输入已知指标，如gpu_usage，点击Execute按钮查看exporter中数据是否已经导入Prometheus中，或者点击Execute按钮左边的open metrics explorer查询已知指标是否存在。

4. 再次确认Grafana指标展示界面中选择的 server 为 <hostname>， device 选择有效值，如 0 。