GPU使用率监控

简介

Xiaomi Cloud-ML底层使用kubernetes+docker调度资源，GPU分配的粒度是个，不存在GPU共享的情况。当前集群的服务器都是4卡机型，编号从0到3。 GPU使用率每分钟抓取一次，推送到falcon上。

基本概念

Cloud-ML对用户的任务进行了封装，调度的pod以一定的规则命名，用户可以使用我们sdk提供的events功能查看任务Name项，该项展示的就是我们后端调度的虚拟单元的名称。具体规则如下（由于原先命名较短，服务端更新之前，仍将使用旧版的命名方式）：

# Train Job， 旧版本
"{}-{}-{}-{}".format("tj", str(org_id)[-4:].lower(), job_name[-4:].lower(), create_time.strftime("%H%M%S"))

# Train Job， 新版本
"{}-{}-{}-{}".format("tj", str(org_id)[-5:].lower(), job_name[-16:].lower(), create_time.strftime("%m%d%H%M%S"))

# Model Service，旧版本
"{}-{}-{}-{}".format("ms", str(org_id)[-4:].lower(), model_name[-4:].lower(), create_time.strftime("%H%M%S"))

# Model Service，新版本
"{}-{}-{}-{}-{}".format("ms", str(org_id)[-5:].lower(), model_name[-16:].lower(), model_version, create_time.strftime("%m%d%H%M%S"))

# Dev Env，旧版本
"{}-{}-{}-{}".format("de", str(org_id)[-4:].lower(), dev_name[-4:].lower(), create_time.strftime("%H%M%S"))

# Dev Env，新版本
"{}-{}-{}-{}".format("de", str(org_id)[-5:].lower(), dev_name[-16:].lower(), create_time.strftime("%m%d%H%M%S"))

使用流程

用户可以在创建任务之后，使用上述命名规则拼接endpoint名称，或者使用events功能获取服务端创建的endpoint名（当前服务端仍是旧版命名方式）：

之后在falcon的endpoint项中搜索tj-518-ar10-083708-351wd：

监控的结果：