78_资源监控：NVIDIA-SMI进阶
在大语言模型（LLM）训练和推理过程中，GPU资源的高效监控和管理至关重要。随着模型规模的不断增长和计算需求的提升，如何精确监控GPU利用率、及时发现性能瓶颈并进行优化，成为AI研究人员和工程师面临的重要挑战。NVIDIA-SMI作为NVIDIA官方提供的GPU监控工具，提供了丰富的功能来监控和管理GPU资源。本文将深入探讨NVIDIA-SMI的进阶使用方法，以及如何利用其与其他工具结合构建高效的GPU利用率可视化监控系统。
《云原生场景下Prometheus指标采集异常的深度排查与架构修复》
本文聚焦云原生监控系统中Prometheus采集K8s容器指标的“间歇性无数据”问题，还原其技术环境（K8s 1.28.3、Prometheus 2.45.0等）与故障现象（指标缺失5-15分钟，高峰期频发）。排查发现，根源在于kubelet的cadvisor指标生成线程不足、缓存策略不当，叠加Calico iptables转发延迟。通过优化kubelet参数（增线程、缩缓存）、调整Prometheus采集策略（延间隔、分片采集）、切换Calico为IPVS模式，问题得以解决。同时给出长期监控预警方案，为云原生监控运维提供实践思路，强调全链路协同优化的重要性。
日志收集和Spring 微服务监控的最佳实践
在微服务架构中，日志记录与监控对系统稳定性、问题排查和性能优化至关重要。本文介绍了在 Spring 微服务中实现高效日志记录与监控的最佳实践，涵盖日志级别选择、结构化日志、集中记录、服务ID跟踪、上下文信息添加、日志轮转，以及使用 Spring Boot Actuator、Micrometer、Prometheus、Grafana、ELK 堆栈等工具进行监控与可视化。通过这些方法，可提升系统的可观测性与运维效率。
基于docker搭建监控系统&日志收集
Prometheus 是一款由 SoundCloud 开发的开源监控报警系统及时序数据库（TSDB），支持多维数据模型和灵活查询语言，适用于大规模集群监控。它通过 HTTP 拉取数据，支持服务发现、多种图表展示（如 Grafana），并可结合 Loki 实现日志聚合。本文介绍其架构、部署及与 Docker 集成的监控方案。