Volcano 监控设计解读,一看就懂
摘要:Volcano 方便 AI,大数据,基因,渲染等诸多行业通用计算框架介入,提供高性能任务调度引擎,高性能异构芯片管理,高性能任务运行管理等能力。
Volcano 是一个 Kubernetes 云原生的批量计算平台,也是 CNCF 的首个批量计算项目。
Volcano 方便 AI,大数据,基因,渲染等诸多行业通用计算框架介入,提供高性能任务调度引擎,高性能异构芯片管理,高性能任务运行管理等能力。
监控目标态设计
为 AI 调度系统开发监控的目的
随着集群规模的扩张和调度规模的变大,调度效率和调度公平性的追求就不会停下。
Volcano 社区展开了长时间的开发,快速的功能迭代,插件逐步增加,这时候在合适的场景下使用合适的插件就变得比较重要,这时候需要选用合适的指标来做性能和公平性评估,来评估当前运行状态是否能满足需求,是否需要对插件进行调整。
在多租户的场景下,对不同租户资源使用的规划,计量和管控需求日益凸显,因此需要对多租户进行租户级资源监控和公平性检查。
根据用户运行时间和在各个插件中的调度时间,判断出用户的使用场景,根据使用场景自动配置插件,实现智能调度。
监控目标
通过定义性能指标 ,定量检测调度系统的性能,指导开发并且评测出针对不同环境的插件配置建议和解决方案,并且给出评判标准。
通过监测系统以及租户资源使用情况,方便管理员进行协调管理
对监控数据做样本分析和特征分析,训练最佳调度插件模型,通过性能数据来修正误差更新模型,逐步完成智能调度。
监控基础指标设计
监控架构设计
目前在 Volcano 中引入了三个监控组件,Kube State Metrics,Prometheus 以及 Grafana。
在 Kubernetes 体系中传统数值类时序数据一般是由 Prometheus 来管理的,状态类信息和配置类信息都是存在 etcd 里的,但是有时候需要配合起来完成监控目标,因此就需要将状态类数据和配置数据导入 Prometheus,Kube State Metrics 实现了一个标准的 Prometheus Exporter 来从 API Server 获取状态数据以及字段配置数据,协助完成状态数据和时序数据的统一管理。
Grafana 中我们初始化 Provision 了一个 Volcano Overview Dashboard,这个 Dashboard 包含了 Volcano 的全局监控信息,包括 Volcano 的公平性数据以及调度有效性数据。
在 Volcano 上部署监控套件
在线部署
make generate-yaml TAG=latest RELEASE_DIR=installer
kubectl create -finstaller/volcano-monitoring-latest.yaml
离线部署需要的额外工作
检查生成好的 installer/volcano-monitoring-latest.yaml 文件,下载 yaml 中的所有 image,推送到离线环境中的镜像仓库,并且修改所有 image 字段指向离线仓库。
如何使用
登录 Volcano 的监控面板
在 Kubernetes 集群中用管理员账号获取当前 Volcano 监控 Namespace 中的 service 信息,我们可以看到 grafana 的 NodePort 是 30004,在集群中任意 Node 节点上访问 30004 端口即可看到 Grafana 的界面。
第一次登录需要输入默认用户名和密码 admin/admin,后续需要重新设置新密码,设置完成新密码,选择 Volcano Overview Dashboard。
Volcano Job 延迟热力图 / Volcano Job 调度延迟排名
通过 Volcano Legency Heatmap 我们可以看到当前 Job 延时发生的具体情况,在集群被打满的情况下,延时很容易快速达到 16 秒以上,如果当前集群申请的资源没有满,那么可能是没有配置合理的插件导致的。
通过 Volcano Job Scheduling Legecny 我们可以看到当前运行比较长的 Vocalno Job 运行时间长度,通过比对 Scheduler 日志,我们可以逐步找到相应的原因,并且调整插件来优化这个过程。
Volcano 公平性数据
Job Scheduling Coefficient Of Variation 是 Volcano 监控的公平性指标,展示了不同 Job 调度时间长度之间的差异值,目前的插件策略下,是相对比较极端的,部分 Job 在非常短的时间内被调度完成,剩余的时间比较长。
Volcano 调度效率数据
通过 Volcano 调度效率数据,我们可以看到整体集群的资源申请 request 情况,通过 Node Resource Coefficient Of Variation 我们可以看到不同节点之间的资源分布情况。
当前社区进度及未来展望
当前 Volcano 的性能监控指标 KPI 并没有完整到可以支撑我们做样本和特征分析,为了实现最终的智能调度,现分为以下三个阶段实现。
通过定义性能指标 ,定量检测调度系统的性能,指导开发并且评测出针对不同环境的插件配置建议和解决方案,并且给出评判标准。
通过监测系统以及租户资源使用情况,方便管理员进行协调管理
对监控数据做样本分析和特征分析,训练最佳调度插件模型,通过性能数据来修正误差更新模型,逐步完成智能调度。
版权声明: 本文为 InfoQ 作者【华为云开发者社区】的原创文章。
原文链接:【http://xie.infoq.cn/article/9d8be6c1276ea799735ba0a59】。文章转载请联系作者。
评论