Volcano 监控设计解读,一看就懂
作者:互联网
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。
标签:插件,调度,解读,Job,监控,Volcano,数据 来源: https://www.cnblogs.com/huaweiyun/p/14338600.html