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