体验托管Prometheus监控阿里云容器服务Kubernetes的GPU资源

在阿里云容器服务中使用GPU资源运行进行AI模型训练和预测时，经常需要了解应用负载的GPU的使用情况，比如每块显存使用情况、GPU利用率，GPU卡温度等监控信息，通过内置ARMS可以从应用的维度去观测GPU的使用情况，了解资源水位，以及设定相应的报警，避免因为GPU资源的约束引发业务风险。


另外相比自建的Prometheus方案， ARMS的全面托管的 Prometheus 服务可以提供以下特性，更好的为您的业务应用保驾护航

• 高可用、可扩展的 Prometheus Server
• 与阿里云容器服务深度集成
• 监控数据无限存储能力

前提

• 创建GPU集群
• 开通 ARMS
• 主账号为arms-prometheus功能授权

使用步骤

1. 登录ARMS控制台, 选择Kubernetes所在的集群
2. 在ARMS控制台中prometheus界面中，点击集群列表中需要监控集群的安装按钮。此过程需要2分钟左右，请点击确认。

3. 在该集群的已安装插件中可以看到 GPU Node和GPU APP,分别从节点维度和应用维度监控GPU资源

4. 我们可以运行一个TensorFlow的测试程序验证

apiVersion: apps/v1beta1
kind: StatefulSet

metadata:
  name: test
  labels:
    app: test

spec:
  replicas: 1
  serviceName: "test"
  podManagementPolicy: "Parallel"
  selector: # define how the deployment finds the pods it manages
    matchLabels:
      app: test

  template: # define the pods specifications
    metadata:
      labels:
        app: test

    spec:
      hostNetwork: true
      hostPID: true
      containers:
      - name: test
        image: registry.cn-shanghai.aliyuncs.com/tensorflow-samples/tensorflow-gpu-mem:10.0-runtime-centos7
        command:
          - python3
          - /app/main.py
        resources:
          limits:
            nvidia.com/gpu: 1

部署成功后，查看应用的状态，可以知道应用的名称是test-0

# kubectl get po
NAME     READY   STATUS    RESTARTS   AGE
test-0   1/1     Running   0          63m

5. 进入GPU Node从节点维度监控

5.1 可以看到总的监控指标分为三个部分，最上面的部分是GPU的平均温度，总能耗和每个节点的显存使用。可以看到当GPU应用部署之后，节点的GPU

5.2 而第二部分是GPU的分配状况，代表集群中的GPU中有多少分配给了工作负载；而右侧是每个节点的GPU数量。从本例子中看到部署Pod前GPU分配数目为0，而右侧的值一直是固定的值。






5.3 第三部分则是以GPU卡的维度展示温度，能耗和使用率

6. 如果想从应用的角度监控，则可以进入GPU App页面

6.1 第一行的数据是应用test-0使用的显存百分比和显存量






6.2 第二行和第三行的数据是应用test-0的能耗，使用率和温度

总结

通过使用托管Prometheus可以以Kubernetes原生的方式对于GPU资源进行监控, 可以帮助你更好的了解GPU基础架构的性能，以及它和业务性能的关系。我们后续还会支持针对GPU共享的监控。