GNMON-001 M5: Monitoring-Suite auf dem KI-Server ausgerollt (System-Scope)

Rollen auf scope user|system generalisiert, gnmon_accounts-Rolle
(gn-monitor 986), Testing-Inventory ghostnet-ki, Image-Transport per
Tag-Ref. Fixes: Textfile-Collector HELP/TYPE je Familie (Multi-GPU),
Restart-Handler je Scope, Loopback-Bindings VM/Loki (§7), scope-
agnostische Playbook-Verifikationen. Server + Workstation idempotent.

Generated by Mistral Vibe.
Co-Authored-By: Mistral Vibe <vibe@mistral.ai>
This commit is contained in:
2026-11-05 06:53:56 +01:00
parent 218f57cbaa
commit 671e41c02f
32 changed files with 801 additions and 159 deletions
@@ -0,0 +1,154 @@
# Monitoring
**Dokumenten-ID:** GNMON-001-PLAN
**Titel:** Host-Monitoring auf dem KI-Server: Systemmetriken, Log-Pipeline und Blazor-Dashboard
**Stand:** 03.11.2026
**Status:** Revidierter Plan (v2.0) nach Betreiberentscheidungen vom 03.11.2026; Implementierung noch nicht begonnen
**Referenzen:** [GNENC-001](https://git.ghostnet.selfhost.eu/ghostnet.ai/infrastructure/raw/branch/main/docs/platform/llm-server/encoding/GNENC-001-PLAN_Architecture.md), [GNENC-002](https://git.ghostnet.selfhost.eu/ghostnet.ai/infrastructure/raw/branch/main/docs/platform/llm-server/encoding/GNENC-002-PLAN_Pipeline.md), [GNAI-005](https://git.ghostnet.selfhost.eu/ghostnet.ai/infrastructure/raw/branch/main/docs/platform/GNAI-005-SEC_Access-Control.md), [GNAI-006](https://git.ghostnet.selfhost.eu/ghostnet.ai/infrastructure/raw/branch/main/docs/platform/proxmox-server/lxc/ct-103-reverse-proxy/GNAI-006-SEC_Reverse-Proxy.md)
## Änderungsverlauf
| Datum | Version | Autor | Beschreibung |
| --- | --- | --- | --- |
| 19.10.2026 | 1.0 | Betreiber | Planungsabschluss: Metrics-Collector (system.json) + Flask-Dashboard |
| 03.11.2026 | 2.0 | Betreiber / Mistral Vibe | Revision: Dashboard auf ASP.NET Core Blazor Server; Metriken über VictoriaMetrics + Exporter statt system.json-Schnappschuss; neue Log-Pipeline (Alloy + Loki) für journald-, Container- und Encoding-Logs |
## Änderungen gegenüber v1.0
1. **Dashboard-Technik:** Python/Flask → **ASP.NET Core Blazor Server (.NET 10 LTS)**, C#. Betreiberentscheidung 03.11.2026; löst die Festlegung aus v1.0 ab.
2. **Metrikpfad:** Der host-seitige Metrics-Collector mit `state/system.json` (10-s-Schnappschuss, keine Historie) **entfällt**. Ersetzt durch node_exporter mit AMD-GPU-Textfile-Skript und **VictoriaMetrics** als Zeitreihen-Store. Damit sind Verläufe (24 h / 7 d / 30 d) möglich.
3. **Neu: Log-Pipeline.** v1.0 hatte keine Log-Anzeige. Neu: **Grafana Alloy** (host-seitig) → **Loki** für journald-, Podman-Container- und Encoding-Job-Logs.
4. **Workload-Status unverändert:** Das Filesystem-Handover für Encoding (`state/jobs/*.json`, read-only Mount) bleibt wie in v1.0 bzw. GNENC-002.
5. **Neues Konto `gn-monitor`** für die Datenhaltung (VictoriaMetrics, Loki); `gn-dashboard` (984) bleibt auf die Web-App beschränkt.
## 1. Zweck und Abgrenzung
Host-weites Monitoring für `ghostnet-ki` (10.0.0.90) mit drei Datenpfaden:
- **Zeitreihen** (CPU, RAM, Disk inkl. NFS-Export, GPU-Util, VRAM, Temperatur/Power) über VictoriaMetrics,
- **Logs** (journald, Podman-Container-Logs, Encoding-Job-Logs) über Loki,
- **Workload-Zustände** (Encoding-Jobs) über read-only Dateizugriff.
Später erweiterbar um LLM-Metriken (GPU-Util unter Inferenz, Serving-Statistik) — eigenes Thema im AI-Bereich. Der Bereich bleibt fachlich getrennt vom Encoding-Workload.
Bewusste Abgrenzung: **Grafana/OpenSearch kommen nicht zum Einsatz.** Ziel ist ein einziges, selbst erweiterbares Dashboard in einem Stack; VictoriaMetrics und Loki behalten dennoch ihre Standard-HTTP-APIs, sodass ein späteres Grafana zum Debuggen jederzeit andockbar wäre, ohne die Architektur zu ändern.
## 2. Architektur
```mermaid
flowchart LR
Browser["Browser (LAN / WireGuard)"] --> NPM["NPM CT-103 (TLS)"]
NPM --> KC["Keycloak CT-102 (OIDC, MFA)"]
NPM --> DB["Blazor-Dashboard, gn-dashboard (984), 10.0.0.90:8080"]
DB -->|"PromQL, 10.0.0.90:8428"| VM["VictoriaMetrics, gn-monitor (983)"]
DB -->|"LogQL, 10.0.0.90:3100"| LK["Loki, gn-monitor (983)"]
DB -->|"read-only Mount"| ST["Encoding state/jobs"]
subgraph HOST["Host-systemd auf ghostnet-ki"]
NE["node_exporter (9100) mit AMD-Textfile-Skript"]
AL["Grafana Alloy: journald + Job-Logfiles"]
end
NE --> VM
AL --> LK
```
Architekturprinzip: Die Dashboard-App bleibt eine **read-only, GPU-lose Einheit ohne Schreibzugriff** auf Pipeline oder Host. Historie und Log-Aggregation liegen in zwei dedizierten, rootless betriebenen Diensten; die App fragt deren HTTP-APIs ab.
## 3. Komponenten
| Komponente | Konto / Betrieb | Aufgabe | Laufzeit |
| --- | --- | --- | --- |
| node_exporter | Host-systemd, Metrics-Account (siehe Abschnitt 9, offener Punkt 1) | CPU, RAM, Disk (Root + NFS-Export), Load; liest Textfile-Verzeichnis | dauerhaft |
| AMD-GPU-Textfile-Skript | Host-systemd-Timer (10 s) | liest rocm-smi/sysfs (Util, VRAM, Junction-Temp, Power je Karte); schreibt `.prom`-Textfile atomar für node_exporter | dauerhaft |
| Grafana Alloy | Host-systemd, Metrics-Account, Gruppen `systemd-journal` + `gn-media` | liest journald (System + Container) und Encoding-Logfiles; pusht nach Loki | dauerhaft |
| VictoriaMetrics (single) | `gn-monitor` (983), rootless Quadlet | scrapet node_exporter (10 s); speichert Zeitreihen; `/api/v1/query` + `query_range` (Prometheus-API-kompatibel) | dauerhaft |
| Loki | `gn-monitor` (983), rootless Quadlet | Log-Aggregation; `/loki/api/v1/query_range`; Filesystem-Store, kein S3 | dauerhaft |
| Blazor-Dashboard | `gn-dashboard` (984), rootless Quadlet | UI: Ressourcen-Charts, GPU-Detail, Encoding-Übersicht, Log-Browser; Keycloak-OIDC | dauerhaft |
**Entscheidungen mit Begründung:**
- **VictoriaMetrics statt Prometheus:** ein einzelnes, statisches Binary, deutlich geringerer RAM-Bedarf, integrierter Scrape (`-promscrape.config`), Prometheus-Query-API-kompatibel. Ein späterer Wechsel zu Prometheus wäre für das Dashboard transparent.
- **Loki statt OpenSearch:** Single-Binary, kein JVM-Cluster, indexiert nur Labels — passend zu Single-Host-Betrieb ohne HA-Aussage (vgl. GNAI-001).
- **Alloy statt Promtail:** Promtail ist eingefroren; Alloy ist der offizielle Nachfolger und liest journald nativ (`loki.source.journal`) sowie Dateien (`local.file_match` + `loki.source.file`).
- **AMD-GPU-Metriken als eigenes Textfile-Skript** statt fremdem Exporter: Abhängigkeitsfrei, identische Quelle (rocm-smi/sysfs) wie bereits 2026-11-01 beim thermischen Lastprofil verwendet; Skript liegt versioniert im Repo (Abschnitt 8).
## 4. Metrikpfad
- **Scrape:** VictoriaMetrics → node_exporter auf `10.0.0.90:9100`, Intervall 10 s.
- **GPU:** Das Textfile-Skript schreibt pro Karte Metriken wie `gn_gpu_utilization_percent{card="0"}`, `gn_gpu_vram_used_bytes`, `gn_gpu_junction_temp_celsius`, `gn_gpu_power_watts` — Werte aus rocm-smi bzw. `/sys/class/drm/card*/device/gpu_metrics`. Modus `0644`, atomarer Schreibwechsel (`.tmp` + `rename`).
- **Disk:** node_exporter erfasst Root-Dateisystem und den gemounteten NFS-Export (CT-101) über die Host-Mount-Tabelle.
- **Retention:** `-retentionPeriod=60d` (Startwert; Anpassung nach erstem Realbetrieb).
- **Zugriff:** Port 8428 (VM) und 9100 (node_exporter) nur host-lokal bzw. aus dem Dashboard-Container; nftables-Regeln siehe Abschnitt 7.
## 5. Logpfad
- **System-/Dienst-Logs:** Alloy liest journald über die Mitgliedschaft `systemd-journal`; Labels mindestens `unit`, `priority`, `hostname`.
- **Podman-Container-Logs:** Die Workload-Quadlets (Encoding, später LLM) setzen `log_driver=journald`, damit Container-Logs einheitlich im Journal landen und dort `_UID` des jeweiligen Workload-Kontos sowie `CONTAINER_NAME` als Labels nutzbar sind. Rootless-Stores fremder Konten werden **nicht** gelesen.
- **Encoding-Job-Logs:** Alloy verfolgt die Logdateien der Pipeline (read-only über `gn-media`); Label `job` aus dem Dateinamen/Pfad.
- **Retention:** Loki Filesystem-Store, `retention_period: 30d` (Startwert), Compactor aktiv.
- **Zugriff:** Port 3100 (Loki) nur host-lokal bzw. Dashboard-Container.
## 6. Dashboard (Blazor Server)
- **Technik:** ASP.NET Core Blazor Web App, Render Mode **Interactive Server**, .NET 10 (LTS). Ein Projekt, keine separate API; WebSocket-Upgrade in NPM aktivieren.
- **Views:**
1. **Ressourcen:** Live-Werte + Verlaufscharts (1 h / 24 h / 7 t) für CPU, RAM, Disk je Mount.
2. **GPU-Detail:** je RX 6900 XT Util, VRAM, Junction-Temp, Power — Live + Verlauf.
3. **Encoding:** aktive Jobs mit Fortschritt, Queue-Tiefe pro Profil, Historie done/failed (30 Tage), Fehlerfälle mit Ablageort `output/_failed/` — aus `state/jobs/*.json` (read-only Mount, unverändert zu v1.0).
4. **Logs:** Browser über Loki `query_range` mit Filter `unit`/`container`/`job` und Live-Tail (Polling alle 2 s).
- **Charts:** Blazor-ApexCharts (NuGet, C#-API, kapselt die JS-Abhängigkeit). v1.0-Grundsatz „kein JS-Framework" bleibt gewahrt: kein Frontend-Framework, nur eine Chart-Komponentenbibliothek. Falls auch das unerwünscht ist: Alternative sind server-seitig gerenderte SVG-Charts (offener Punkt 4).
- **Live-Updates:** server-seitige Timer/Streaming-Rendering für Live-Kacheln; keine Client-seitige Logik außer der Chart-Rendering-Bibliothek.
- **Image:** `llm-server/monitoring/images/dashboard/Containerfile`, Base `mcr.microsoft.com/dotnet/aspnet:10.x`, Digest gepinnt, Non-Root-User im Image (gemappte UID 984).
## 7. Authentifizierung und Erreichbarkeit
- **Ingress:** NPM (CT-103) mit TLS und Split-DNS-Name (Hostname offen, Punkt 2); Proxy auf `10.0.0.90:8080`, WebSocket-Upgrade erforderlich. Hostname folgt dem Muster der bestehenden Admin-Pfade (GNAI-005/GNAI-006).
- **OIDC:** Die App authentifiziert selbst über `Microsoft.AspNetCore.Authentication.OpenIdConnect` mit PKCE (Confidential Client `gn-dashboard` in Keycloak CT-102) — analog zum bestätigten Vaultwarden-OIDC-Muster. Rollen-Claim (Realm-Rolle `dashboard-admin`) für die Autorisierung; **MFA wird über die Keycloak-Realm-Policy erzwungen**, nicht in der App.
- **Forwarded Headers:** `ForwardedHeaders`-Middleware, da TLS an NPM endet.
- **Netzwerksegmentierung (host-nftables auf `ghostnet-ki`):**
- 8080 (Dashboard) → erlaubt von 10.0.0.10 (NPM),
- 8428, 9100, 3100 → nur host-lokal / aus den rootless Containern desselben Hosts; per Regel von LAN und WireGuard abweisbar testen.
- **Rootless-Besonderheit:** Die Quadlets laufen unter verschiedenen Konten mit getrennten Netz-Namespaces; Quartett-übergreifender Verkehr läuft über die an die Host-IP gebundenen Ports (PublishPort, unprivilegiert >1024). Das ist der Grund für die nftables-Regeln oben; Abnahme mit Positiv-/Negativtest.
## 8. Repository-Grenzen
```text
llm-server/monitoring/
├── ansible/ # Playbooks + Rollen: Konten, systemd-Units, Quadlet-Rollen, nftables
├── images/
│ └── dashboard/ # Containerfile (Blazor-App), Digest-Pin
├── scripts/
│ ├── amdgpu-textfile-collector.py (o. ä.)
│ └── scrape.yml # VictoriaMetrics-Promscrape-Konfig
└── src/
└── Ghostnet.Dashboard/ # Blazor-Projekt (später ggf. Solution mit Tests)
```
VictoriaMetrics und Loki laufen mit gepinnten Upstream-Images (kein Eigenbau-Image nötig); Loki-/VM-Konfiguration liegt versioniert unter `ansible/` (Rollen) bzw. `images/`.
## 9. Offene Punkte
1. **Metrics-Account-Identität** (aus v1.0 übernommen): root vs. dedizierter Account mit `render`- und `systemd-journal`-Gruppe — bei der Umsetzung festlegen; Empfehlung: dedizierter Account.
2. **NPM-Hostname und Keycloak-Client** `gn-dashboard` (Umsetzung mit GNAI-005/GNAI-006).
3. **UID/GID für `gn-monitor`**: geplant 983 (nahe 984); freie ID bei Umsetzung prüfen.
4. **Chart-Bibliothek:** Blazor-ApexCharts vs. server-seitiges SVG (Entscheidung bei Implementierung).
5. **LLM-Metriken** (später, eigenes Thema im AI-Bereich): scrape-fähiger Endpoint des Serving-Containers oder Textfile — Aufnahme erst mit dauerhaftem Serving.
6. **Retention-Feinjustierung** (60 d Metriken / 30 d Logs) nach erstem Realbetriebsmonat.
## 10. Abnahmekriterien (Auszug für die Umsetzung)
- Ansible-Rollen idempotent: zweiter Lauf `changed=0`, `failed=0` (Konvention des Host-Projekts).
- Dashboard zeigt Live-Metriken und 24-h-Verläufe für CPU, RAM, Disk, beide GPUs.
- Logs aller drei Quellen (journald, Podman-Container, Encoding-Jobs) im Log-Browser auffindbar; Container-Log eines gestoppten/gestarteten Testcontainers erscheint/verschwindet korrekt.
- Login ohne Keycloak-Session abgewiesen; mit Realm-Rolle `dashboard-admin` und MFA erfolgreich; ohne Rolle abgewiesen (Negativtest).
- nftables-Negativtest: 8428/9100/3100 aus LAN nicht erreichbar; 8080 nur von NPM.
- Dashboard-Container hat keinen Schreibzugriff auf `state/` (Negativtest) und kein `/dev/kfd`, `/dev/dri`.
---
## Folgeänderung für GNMON-000 (Dokumentationsindex)
Beim Einchecken dieser Revision GNMON-000 anpassen:
- **Bestätigter Stand:** „Komponenten: node_exporter + AMD-Textfile-Skript, VictoriaMetrics, Loki + Alloy (host-seitig), Dashboard unter `gn-dashboard` (984) als Blazor-Server-Quadlet; Metriken mit Verlaufshistorie, Logs aus journald, Containern und Encoding."
- **Statuszeile:** „Revision v2.0 (03.11.2026): Blazor statt Flask, Zeitreihen- und Log-Stack ergänzt."
- **Noch offen:** Punkte 1–6 aus Abschnitt 9 übernehmen; Punkt „system.json-Collector" entfällt.
@@ -1,8 +1,8 @@
# Monitoring – Dokumentationsindex und Projektstand
**Dokumenten-ID:** GNMON-000-DOC
**Stand:** 2026-11-04
**Status:** Revision v2.0 (03.11.2026) übernommen; Meilenstein M1 (Metrikpfad) auf der Workstation implementiert und verifiziert
**Stand:** 2026-11-05
**Status:** Revision v2.0 (03.11.2026) übernommen; M1–M4 auf der Workstation implementiert und verifiziert; M5 Monitoringsuite auf dem KI-Server produktiv (System-Scope), Dashboard-Deployment auf dem Server offen
## Dokumente
@@ -16,8 +16,9 @@
- Revision v2.0 (03.11.2026): Blazor Server statt Flask, Zeitreihen-
(VictoriaMetrics + node_exporter mit AMD-Textfile-Skript) und Log-Stack
(Alloy + Loki) statt `state/system.json`-Schnappschuss; Konten
`gn-monitor` (983, geplant) für Datenhaltung, `gn-dashboard` (984) für
die Web-App.
`gn-monitor` für Datenhaltung (**986** — die zuvor geplante 983 war auf
dem Server an `gn-download` vergeben; vergeben 05.11.2026), `gn-dashboard`
(984) für die Web-App.
- Anlass für die zügige Umsetzung: thermischer GPU0-SW-CTF-Vorfall vom
03.11.2026 (GNAI-010 Abschnitt 10.10) – ohne laufende Sensorüberwachung
lief die Karte ~19 Minuten unbeobachtet auf die Abschaltung zu.
@@ -166,6 +167,67 @@ M3.1–M3.4 in kleinen visuell abnehmbaren Schritten umgesetzt
- Per-page Render Mode hält das Layout statisch: Layout-Spinner nur
als CSS-Animation, Komponenten-Animation nur in Seiteninhalten.
### M5: Server-Rollout ghostnet-ki (implementiert 05.11.2026, System-Scope)
Rollenübergreifender Umbau von User-Scope (Workstation) auf
scope-Variablen (`user|system`) je Rolle; produktive Änderung mit
Betreiber-Go, Ausführung als `ansible-deploy` (NOPASSWD), neue
`gnmon_accounts`-Rolle vorangestellt (Tags `accounts,never`):
`gn-monitor` UID/GID **986** mit Linger + `systemd-journal`-Gruppe,
Verifikation von `gn-dashboard` (984, vorbestehend).
- **Scope-Architektur:** Quadlets unter
`/etc/containers/systemd/users/986` (per `runuser … systemctl --user`
verwaltet; quadlet-generierte Units sind nicht `enable`-bar), Config
unter `/etc/gnmon`, Daten unter `/var/lib/gn-monitor/*`.
subuid/subgid für `gn-monitor`: **755360:65536** (nach anfänglichem
Fehlstart in 165536 bereinigt; danach `podman system migrate` nötig,
da die uid_map nur einen Eintrag hatte).
- **Image-Transport:** Docker-Hub-Pull vom Server scheitert am
Rate-Limit; Images wurden auf der Workstation per Digest-Pull
verifiziert, als tar transportiert und als `gn-monitor` geladen
(`podman load` verliert Digest-Namen → Inventory pinnt **Tag-Refs**
auf die Image-IDs: VM v1.154.1, Loki 3.6.19, AM v0.34.2, vmalert
v1.154.1).
- **Host-lokale Bindings (§7):** Alle Dienste lauschen 127.0.0.1 —
node_exporter :9100, VictoriaMetrics :8428 (`-httpListenAddr`),
Loki :3100/:9096 (`http/grpc_listen_address`), Alertmanager :9093,
vmalert :8880. Dashboard-Container (:8080) folgt; externer Zugriff
erst später über NPM (M6, mit OIDC).
- **Implementierungsbefunde (05.11.2026):**
a) Der Textfile-Collector wiederholte `# HELP`/`# TYPE` je Karte;
node_exporter verwirft bei Doppelung die **ganze Datei**
(„second HELP line"). Auf der Workstation (1 Karte) fiel es nicht
auf, auf dem Server (2+ Karten) blieben alle `gn_gpu_*`-Metriken
aus. Refactor: HELP/TYPE einmal je Metrikfamilie.
b) VM-Flag `-httpListenAddr` erwartet `host:port`, nicht nur die
Adresse (sonst: „missing port in address").
c) Alle vier Container-Rollen notifizierten nur den User-Scope-Restart-
Handler; im System-Scope kamen Config-/Quadlet-Änderungen nie zur
Laufzeit an. Notify-Liste mit beiden Handler-Namen (der falsche
Scope skipt sich selbst); VM-Handler dafür konsistent in
`(system scope)`/`(user scope)` benannt.
d) Die Playbook-Verifikationen sind nun scope-agnostisch: Log-Pfad wird
journal-basiert geprüft (`logger -t gnmon-verify`, Loki-Query
`syslog_identifier="gnmon-verify"`; Datei-Seed nur bei konfigurierten
File-Targets), SelfTest-Verify nur auf der Workstation
(`gnmon_vmalert_selftest_rule`), serverseitig AM-200-Check.
- **Verifikation (05.11.2026):** Volle Suite
(`--tags accounts,collector,metrics,logs,alerting`) grün; Zweitlauf
`changed=0, failed=0` (idempotent). `gn_gpu_up` zeigt 2 Karten
(card 0/1), Edge 30/27 °C, Junction 33/27 °C, 6 W, Lüfter 0 rpm bei
PWM 0 (Idle-erwartbar) — der RX-6900-XT-Sensorpfad aus GNAI-010 10.3
ist damit im Monitoring bestätigt; `GpuFanStalledUnderLoad` greift
erstmals bei Last. vmalert `/-/healthy` 200 ohne feuernde Alerts,
AM `/api/v2/alerts` 200 leer. Workstation-Gegenprobe nach dem
Rollenumbau ebenfalls grün und idempotent (`changed=0` — dort
fielen die Bugfixes a)/c) als Changes an und wurden neu gestartet).
- **Aufgeräumt:** Image-Tars in `/var/tmp` gelöscht; `gn-monitor`-Images
sauber (nur die vier Tag-Refs, keine Transport-Reste).
- **Bekannte Kosmetik:** GPU-Label `gpu="unknown"` auf dem Server
(`product_name` im sysfs dort nicht lesbar); möglicher Fallback über
PCI-Vendor/Device-ID bei Bedarf.
## Noch offen
1. Punkte 1–6 aus GNMON-001 v2.0 Abschnitt 9 (Metrics-Account-Identität,
@@ -175,7 +237,8 @@ M3.1–M3.4 in kleinen visuell abnehmbaren Schritten umgesetzt
keinen Schwellwert-Alarm (Motivation des Vorfalls). Vorschlag:
`vmalert`-Regeln gegen VictoriaMetrics mit Notification-Kanal; Kanal-
Auswahl (Mail/ntfy/Matrix) ist eine Betreiberentscheidung.
3. M5 Server-Rollout auf `ghostnet-ki` nach Behebung des GPU0-Kühldefekts
(GNAI-010 10.10): System-Scope-Rollen, Konten 983/984, nftables,
Abnahmekriterien aus GNMON-001 Abschnitt 10, Dashboard-Container
(Containerfile, Digest-Pin, OIDC/Keycloak, NPM-Ingress).
3. M5-Rest auf `ghostnet-ki`: Dashboard-Container (gn-dashboard 984,
Image-Transport wie VM etc., `ASPNETCORE_URLS=127.0.0.1:8080`,
Rootless-Quadlet), danach externer Zugriff über NPM + OIDC/Keycloak
(M6); nftables-Regeln aus GNMON-001 §7 (aktuell binden alle Dienste
bereits host-lokal; 8080 erst mit dem Dashboard relevant).