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

1. 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。
2. 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。
3. 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。
4. 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

1. 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。
2. 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
3. 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。

1. 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。
2. 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
3. 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。

点击关注，第一时间了解华为云新鲜技术~