DeOldify服务监控方案:Prometheus+Grafana实时跟踪GPU利用率与QPS

news2026/4/16 11:20:24
DeOldify服务监控方案PrometheusGrafana实时跟踪GPU利用率与QPS1. 监控方案概述在实际的AI服务部署中仅仅能够运行服务是不够的。我们需要实时了解服务的运行状态、资源使用情况以及性能指标。对于DeOldify这样的深度学习图像上色服务GPU利用率和每秒查询数QPS是两个最关键的性能指标。传统的日志查看方式无法提供实时的可视化监控而PrometheusGrafana组合能够为我们提供完整的监控解决方案。这个方案可以帮助我们实时监控GPU使用情况避免资源浪费或瓶颈跟踪服务处理能力了解QPS变化趋势设置告警阈值及时发现异常情况历史数据回溯分析性能优化效果2. 环境准备与组件安装2.1 安装PrometheusPrometheus是一个开源的系统监控和警报工具包专门用于收集和存储时间序列数据。# 下载Prometheus wget https://github.com/prometheus/prometheus/releases/download/v2.47.2/prometheus-2.47.2.linux-amd64.tar.gz # 解压 tar xvfz prometheus-2.47.2.linux-amd64.tar.gz cd prometheus-2.47.2.linux-amd64 # 创建配置文件 cat prometheus.yml EOF global: scrape_interval: 15s scrape_configs: - job_name: prometheus static_configs: - targets: [localhost:9090] - job_name: node static_configs: - targets: [localhost:9100] - job_name: gpu static_configs: - targets: [localhost:9435] - job_name: deoldify static_configs: - targets: [localhost:8000] EOF # 启动Prometheus ./prometheus --config.fileprometheus.yml 2.2 安装Node ExporterNode Exporter用于收集硬件和操作系统指标。# 下载Node Exporter wget https://github.com/prometheus/node_exporter/releases/download/v1.6.1/node_exporter-1.6.1.linux-amd64.tar.gz # 解压并启动 tar xvfz node_exporter-1.6.1.linux-amd64.tar.gz cd node_exporter-1.6.1.linux-amd64 ./node_exporter 2.3 安装GPU Exporter对于GPU监控我们需要专门的GPU exporter。# 使用DCGM Exporter需要先安装NVIDIA DCGM docker run -d --rm \ --gpus all \ -p 9400:9400 \ nvcr.io/nvidia/k8s/dcgm-exporter:3.2.6-3.2.2-ubuntu20.04 # 或者使用简单的nvidia-smi exporter git clone https://github.com/utkuozdemir/nvidia_gpu_exporter cd nvidia_gpu_exporter docker build -t nvidia_gpu_exporter . docker run -d --rm \ --gpus all \ -p 9835:9835 \ nvidia_gpu_exporter2.4 安装GrafanaGrafana用于可视化监控数据。# 安装Grafana wget https://dl.grafana.com/oss/release/grafana-10.2.0.linux-amd64.tar.gz tar xvfz grafana-10.2.0.linux-amd64.tar.gz cd grafana-10.2.0 # 启动Grafana ./bin/grafana-server web 3. DeOldify服务指标暴露要让Prometheus能够收集DeOldify服务的指标我们需要在服务中添加指标暴露功能。3.1 添加Prometheus客户端库首先在DeOldify服务中添加Prometheus客户端依赖# requirements.txt 添加 prometheus-client0.19.03.2 创建指标收集中间件为Flask应用添加Prometheus指标收集from prometheus_client import Counter, Gauge, Histogram, generate_latest, REGISTRY from flask import Response, request import time # 定义指标 REQUEST_COUNT Counter( deoldify_requests_total, Total number of requests, [method, endpoint, status] ) REQUEST_LATENCY Histogram( deoldify_request_latency_seconds, Request latency in seconds, [method, endpoint] ) GPU_UTILIZATION Gauge( deoldify_gpu_utilization_percent, GPU utilization percentage, [gpu_index] ) GPU_MEMORY Gauge( deoldify_gpu_memory_usage_mb, GPU memory usage in MB, [gpu_index] ) QPS Gauge( deoldify_qps, Queries per second ) # 添加到Flask应用 def setup_metrics(app): app.before_request def before_request(): request.start_time time.time() app.after_request def after_request(response): # 计算请求耗时 latency time.time() - request.start_time REQUEST_LATENCY.labels( methodrequest.method, endpointrequest.path ).observe(latency) # 统计请求次数 REQUEST_COUNT.labels( methodrequest.method, endpointrequest.path, statusresponse.status_code ).inc() return response # 添加metrics端点 app.route(/metrics) def metrics(): return Response(generate_latest(REGISTRY), mimetypetext/plain)3.3 集成GPU监控添加GPU使用情况监控import subprocess import re import threading def get_gpu_utilization(): 获取GPU使用情况 try: result subprocess.check_output([ nvidia-smi, --query-gpuindex,utilization.gpu,memory.used, --formatcsv,noheader,nounits ]).decode(utf-8) for line in result.strip().split(\n): if line: gpu_index, utilization, memory_used line.split(, ) GPU_UTILIZATION.labels(gpu_indexgpu_index).set(float(utilization)) GPU_MEMORY.labels(gpu_indexgpu_index).set(float(memory_used)) except Exception as e: print(f获取GPU信息失败: {e}) def start_gpu_monitor(): 启动GPU监控线程 def monitor_loop(): while True: get_gpu_utilization() time.sleep(5) # 每5秒更新一次 thread threading.Thread(targetmonitor_loop, daemonTrue) thread.start()3.4 集成QPS计算添加QPS计算功能from collections import deque import time class QPSCalculator: def __init__(self, window_size10): self.window_size window_size self.request_times deque() self.lock threading.Lock() def add_request(self): with self.lock: current_time time.time() self.request_times.append(current_time) # 移除超过时间窗口的请求记录 while self.request_times and self.request_times[0] current_time - self.window_size: self.request_times.popleft() def get_qps(self): with self.lock: if not self.request_times: return 0.0 time_window self.window_size if len(self.request_times) 1: time_window min(self.window_size, self.request_times[-1] - self.request_times[0]) return len(self.request_times) / time_window if time_window 0 else 0.0 # 全局QPS计算器 qps_calculator QPSCalculator() def update_qps_metrics(): 更新QPS指标 while True: qps qps_calculator.get_qps() QPS.set(qps) time.sleep(1) # 在请求处理中更新QPS app.after_request def after_request(response): # ... 其他代码 ... qps_calculator.add_request() return response4. Grafana仪表板配置4.1 添加数据源首先在Grafana中添加Prometheus数据源访问Grafana界面通常为http://localhost:3000默认用户名/密码admin/admin进入Configuration Data Sources添加Prometheus数据源URL填写http://localhost:90904.2 创建监控仪表板创建DeOldify服务监控仪表板包含以下关键面板GPU利用率面板{ title: GPU利用率, type: gauge, targets: [ { expr: deoldify_gpu_utilization_percent, legendFormat: GPU {{gpu_index}} } ], maxDataPoints: 100, interval: 10s }QPS监控面板{ title: 每秒查询数 (QPS), type: graph, targets: [ { expr: rate(deoldify_requests_total[1m]), legendFormat: 总QPS } ], refresh: 5s }请求延迟面板{ title: 请求延迟分布, type: heatmap, targets: [ { expr: histogram_quantile(0.95, sum(rate(deoldify_request_latency_seconds_bucket[5m])) by (le)), legendFormat: P95延迟 } ] }GPU内存使用面板{ title: GPU内存使用, type: stat, targets: [ { expr: deoldify_gpu_memory_usage_mb, legendFormat: GPU {{gpu_index}} } ], colorMode: value, graphMode: area }4.3 设置告警规则在Prometheus中配置告警规则# alert.rules.yml groups: - name: deoldify-alerts rules: - alert: HighGPUUsage expr: deoldify_gpu_utilization_percent 90 for: 5m labels: severity: warning annotations: summary: GPU使用率过高 description: GPU {{ $labels.gpu_index }} 使用率持续5分钟超过90% - alert: LowQPS expr: deoldify_qps 1 for: 10m labels: severity: warning annotations: summary: QPS过低 description: 服务QPS持续10分钟低于1 - alert: HighLatency expr: histogram_quantile(0.95, deoldify_request_latency_seconds_bucket[5m]) 10 for: 5m labels: severity: critical annotations: summary: 请求延迟过高 description: P95请求延迟持续5分钟超过10秒5. 实战部署与验证5.1 完整部署脚本创建一键部署脚本#!/bin/bash # deploy_monitoring.sh echo 开始部署DeOldify监控系统... # 创建监控目录 mkdir -p /opt/monitoring cd /opt/monitoring # 安装Prometheus echo 安装Prometheus... wget -q https://github.com/prometheus/prometheus/releases/download/v2.47.2/prometheus-2.47.2.linux-amd64.tar.gz tar xfz prometheus-2.47.2.linux-amd64.tar.gz cd prometheus-2.47.2.linux-amd64 # 配置Prometheus cat prometheus.yml EOF global: scrape_interval: 15s scrape_configs: - job_name: prometheus static_configs: - targets: [localhost:9090] - job_name: node static_configs: - targets: [localhost:9100] - job_name: gpu static_configs: - targets: [localhost:9435] - job_name: deoldify static_configs: - targets: [localhost:7860] metrics_path: /metrics EOF # 启动Prometheus nohup ./prometheus --config.fileprometheus.yml prometheus.log 21 # 安装Node Exporter echo 安装Node Exporter... cd /opt/monitoring wget -q https://github.com/prometheus/node_exporter/releases/download/v1.6.1/node_exporter-1.6.1.linux-amd64.tar.gz tar xfz node_exporter-1.6.1.linux-amd64.tar.gz cd node_exporter-1.6.1.linux-amd64 nohup ./node_exporter node_exporter.log 21 # 安装Grafana echo 安装Grafana... cd /opt/monitoring wget -q https://dl.grafana.com/oss/release/grafana-10.2.0.linux-amd64.tar.gz tar xfz grafana-10.2.0.linux-amd64.tar.gz cd grafana-10.2.0 nohup ./bin/grafana-server web grafana.log 21 echo 监控系统部署完成 echo Prometheus: http://localhost:9090 echo Grafana: http://localhost:3000 echo 默认用户名/密码: admin/admin5.2 验证监控系统使用以下脚本验证监控系统是否正常工作# test_monitoring.py import requests import time import threading def test_metrics_endpoint(): 测试metrics端点 try: response requests.get(http://localhost:7860/metrics, timeout5) if response.status_code 200: print(✓ Metrics端点正常) return True else: print(f✗ Metrics端点异常: {response.status_code}) return False except Exception as e: print(f✗ Metrics端点访问失败: {e}) return False def test_prometheus(): 测试Prometheus try: response requests.get(http://localhost:9090/api/v1/query?queryup, timeout5) if response.status_code 200: data response.json() if data[data][result]: print(✓ Prometheus正常运行) return True print(✗ Prometheus异常) return False except Exception as e: print(f✗ Prometheus访问失败: {e}) return False def test_grafana(): 测试Grafana try: response requests.get(http://localhost:3000/api/health, timeout5) if response.status_code 200: print(✓ Grafana正常运行) return True print(✗ Grafana异常) return False except Exception as e: print(f✗ Grafana访问失败: {e}) return False def generate_test_traffic(): 生成测试流量 import random endpoints [/colorize, /health, /ui] for i in range(20): endpoint random.choice(endpoints) try: if endpoint /colorize: # 模拟图片上传请求 files {image: (test.jpg, open(test.jpg, rb))} requests.post(fhttp://localhost:7860{endpoint}, filesfiles, timeout10) else: requests.get(fhttp://localhost:7860{endpoint}, timeout5) print(f✓ 测试请求 {endpoint} 成功) except Exception as e: print(f✗ 测试请求 {endpoint} 失败: {e}) time.sleep(random.uniform(0.1, 1.0)) if __name__ __main__: print(开始验证监控系统...) # 测试各组件 metrics_ok test_metrics_endpoint() prometheus_ok test_prometheus() grafana_ok test_grafana() if all([metrics_ok, prometheus_ok, grafana_ok]): print(\n✓ 监控系统基础功能正常) print(开始生成测试流量...) generate_test_traffic() print(\n测试完成请查看Grafana仪表板确认监控数据) else: print(\n✗ 监控系统存在异常请检查相关服务)6. 监控方案优化建议6.1 性能优化对于高并发场景监控系统本身也需要优化# 优化指标收集性能 from prometheus_client import CollectorRegistry, multiprocess, generate_latest def create_app(): app Flask(__name__) # 使用多进程注册表 registry CollectorRegistry() multiprocess.MultiProcessCollector(registry) app.route(/metrics) def metrics(): return Response(generate_latest(registry), mimetypetext/plain) return app6.2 数据保留策略调整Prometheus数据保留策略# prometheus.yml global: scrape_interval: 15s evaluation_interval: 15s # 数据保留15天 retention: 15d # 使用TSDB压缩 storage: tsdb: retention: 15d min-block-duration: 2h max-block-duration: 24h6.3 监控数据备份设置监控数据备份策略# backup_monitoring_data.sh #!/bin/bash BACKUP_DIR/backup/monitoring DATE$(date %Y%m%d_%H%M%S) # 备份Prometheus数据 tar -czf $BACKUP_DIR/prometheus_$DATE.tar.gz /opt/monitoring/prometheus-2.47.2.linux-amd64/data/ # 备份Grafana配置 tar -czf $BACKUP_DIR/grafana_$DATE.tar.gz /opt/monitoring/grafana-10.2.0/conf/ # 保留最近7天的备份 find $BACKUP_DIR -name *.tar.gz -mtime 7 -delete7. 总结通过PrometheusGrafana监控方案我们为DeOldify图像上色服务建立了一套完整的监控体系。这个方案能够实时监控GPU利用率确保GPU资源得到合理利用避免成为性能瓶颈跟踪QPS变化了解服务处理能力为扩容和优化提供数据支持可视化监控数据通过Grafana仪表板直观展示关键指标设置智能告警及时发现异常情况确保服务稳定性历史数据分析回溯性能数据支持容量规划和优化决策这套监控方案不仅适用于DeOldify服务也可以很容易地适配到其他AI推理服务中。通过实时监控和告警我们能够确保服务始终处于最佳运行状态为用户提供稳定可靠的图像上色服务。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2511279.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…