GNMON-001 M1: Metrikpfad auf der Workstation implementiert

llm-server/monitoring/ neu: amdgpu-textfile-collector.py (sysfs-only,
atomar, APU-tauglich), Rollen gnmon_collector (node_exporter v1.12.1,
SHA256SUMS-verifiziert, 10s-Timer) und gnmon_victoria_metrics (rootless
Quadlet, v1.154.1 digest-gepinnt, Scrape 10s, Retention 60d), Workstation-
Inventory. Verifikation: PromQL liefert gn_gpu_edge_temp_celsius von der
Laptop-APU; Idempotenz changed=0. GNMON-001 v2.0 in die Plattform-Struktur
übernommen, GNMON-000-Stand inkl. Alerting-Planlücke aktualisiert.

Generated by Mistral Vibe.
Co-Authored-By: Mistral Vibe <vibe@mistral.ai>
This commit is contained in:
2026-11-04 05:51:17 +01:00
parent 04afca49c9
commit aa8de57c62
18 changed files with 737 additions and 94 deletions
@@ -1,32 +1,59 @@
# Monitoring – Dokumentationsindex und Projektstand
**Dokumenten-ID:** GNMON-000-DOC
**Stand:** 2026-10-19
**Status:** Planungsabschluss; Implementierung noch nicht begonnen
**Stand:** 2026-11-04
**Status:** Revision v2.0 (03.11.2026) übernommen; Meilenstein M1 (Metrikpfad) auf der Workstation implementiert und verifiziert
## Dokumente
| Dokument | Zweck / Zielgruppe |
| --- | --- |
| [GNMON-001-PLAN_Architecture.md](GNMON-001-PLAN_Architecture.md) | Host-Monitoring: Metriken, Collector, Dashboard, Anbindung Encoding; Infrastrukturadministratoren |
| [GNMON-001-PLAN_Architecture.md](GNMON-001-PLAN_Architecture.md) | Host-Monitoring: Metriken, Log-Pipeline, Dashboard, Anbindung Encoding; Infrastrukturadministratoren |
| [docs/planning/gnmon-001-v2-0-monitoring-architektur-revision.md](../../../planning/gnmon-001-v2-0-monitoring-architektur-revision.md) | Arbeitskopie der v2.0-Revision (Betreiber-Rechercheordner) |
## Bestätigter Stand
- Planungsabschluss 19.10.2026: host-weites Monitoring für `ghostnet-ki`,
fachlich getrennt vom Encoding-Workload (aus GNENC ausgegliedert).
- Komponenten: host-seitiger Metrics-Collector (systemd-Service, schreibt
`state/system.json` alle 10 s) und Dashboard-Container unter `gn-dashboard`
(984).
- Metriken: CPU, RAM, Disk (Root + NFS-Export), GPU-Util, VRAM.
- Dashboard: Python/Flask, read-only Mounts, kein GPU-/Schreibzugriff;
erreichbar über NPM (CT-103) mit Keycloak.
- Anbindung Encoding: Dashboard liest `state/jobs/*.json` read-only
(`state/` group-readable via `gn-media`).
- Noch nicht implementiert: Konto `gn-dashboard`, Collector-Service,
Dashboard-Quadlet, Image-Bau.
- 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.
- 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.
### M1: Metrikpfad (implementiert 04.11.2026, Workstation-Entwicklung)
Entwickelt und getestet auf dem Betreiber-Laptop (CachyOS, rootless,
User-Scope-systemd) im Verzeichnis `llm-server/monitoring/`:
- `amdgpu-textfile-collector.py` (sysfs-only, kein ROCm erforderlich):
Util, VRAM used/total, Edge/Junction/Memory-Temperatur, Lüfter-RPM und
PWM je Karte; atomarer Textfile-Wechsel; auf der Laptop-APU gegen echte
Sensordaten verifiziert, auf diskreten Karten (RX 6900 XT) in M5 zu
bestätigen.
- `gnmon_collector`-Rolle: node_exporter v1.12.1 (Upstream-Tarball,
SHA256SUMS-verifiziert), Collector-Systemd-Timer (10 s), Port 9100
host-lokal.
- `gnmon_victoria_metrics`-Rolle: rootless Quadlet, `Network=host`,
VictoriaMetrics **v1.154.1** (Digest
`sha256:c7884f32920dd45a9d86542a717227e63af03e060e53bbf8031e6e6fd0e1e05d`,
verifizierter Pull 04.11.2026), Scrape-Intervall 10 s, Retention 60 d,
Health-Check im Playbook.
- Verifikation: PromQL-Abfrage liefert `gn_gpu_edge_temp_celsius` (51 °C
auf der Workstation-APU); Idempotenzlauf `changed=0, failed=0`.
## Noch offen
1. NPM-Hostname und Keycloak-Client (Umsetzung).
2. Collector-Identität (root vs. Metrics-Account mit `render`-Gruppe).
3. Erweiterung um LLM-Metriken (später).
1. Punkte 1–6 aus GNMON-001 v2.0 Abschnitt 9 (Metrics-Account-Identität,
NPM-Hostname/Keycloak-Client, UID/GID `gn-monitor`, Chart-Bibliothek,
LLM-Metriken, Retention-Feinjustierung).
2. **Alarmierung (Planlücke):** v2.0 deckt Sammeln und Anzeigen ab, aber
keinen Schwellwert-Alarm (Motivation des Vorfalls). Vorschlag:
`vmalert`-Regeln gegen VictoriaMetrics mit Notification-Kanal; Kanal-
Auswahl (Mail/ntfy/Matrix) ist eine Betreiberentscheidung.
3. M2 (Loki + Alloy Log-Pipeline) und M3 (Blazor-Dashboard) auf der
Workstation.
4. 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.
@@ -1,107 +1,154 @@
# Monitoring
**Dokumenten-ID:** GNMON-001-PLAN
**Titel:** Host-Monitoring auf dem KI-Server: Systemmetriken und Workload-Dashboards
**Stand:** 2026-10-19
**Status:** Finaler Plan nach Betreiberentscheidungen vom 19.10.2026
**Referenzen:** [GNENC-001](../encoding/GNENC-001-PLAN_Architecture.md), [GNENC-002](../encoding/GNENC-002-PLAN_Pipeline.md), [GNAI-005](../../GNAI-005-SEC_Access-Control.md), [GNAI-006](../../proxmox-server/lxc/ct-103-reverse-proxy/GNAI-006-SEC_Reverse-Proxy.md)
**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`: Systemmetriken (CPU, RAM, Disk,
GPU-Util, VRAM) und Dashboards für Workloads. Aktuell angebunden ist die
Encoding-Pipeline (GNENC-002); später erweiterbar um LLM-Metriken (GPU-Util
unter Inferenz, llama.cpp-Statistik). Der Bereich ist fachlich getrennt vom
Encoding-Workload (aus GNENC ausgegliedert, Betreiberentscheidung 19.10.2026), eilt aber Hardware und Host-Basis.
Host-weites Monitoring für `ghostnet-ki` (10.0.0.90) mit drei Datenpfaden:
## 2. Architekturprinzip
- **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.
Filesystem-Handover wie in der Encoding-Pipeline: Der Metrics-Collector
(host-seitig) schreibt `state/system.json` atomar; Workloads stellen ihre
Status-Dateien bereit (Encoding: `state/jobs/*.json`). Das Dashboard liest
ausschließlich Dateien (read-only Mounts) und hat weder GPU- noch
Schreibzugriff.
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 | Image | Aufgabe | Betrieb |
| --- | --- | --- | --- | --- |
| Metrics-Collector | host-seitig (systemd-Service; root oder dedizierter Metrics-Account mit `render`-Gruppe) | — | sampelt alle 10 s CPU, RAM, Disk (Root + NFS-Export), GPU-Util und VRAM (rocm-smi/sysfs, lesend); schreibt `state/system.json` atomar | dauerhaft |
| Dashboard | `gn-dashboard` (984) | Dashboard-Image (Eigenbau, gepinnt; Python + Flask) | liest `system.json` + `state/jobs/*.json` (Encoding, read-only Mount); zeigt Ressourcen und Workload-Übersicht | dauerhaft |
| 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 |
## 4. Konto `gn-dashboard`
**Entscheidungen mit Begründung:**
UID/GID 984, subid/subgid ab 624288 (65536 Stück), Home
`/var/lib/ghostnet-dashboard`, Config `/etc/ghostnet-dashboard`, Quadlets
`/etc/containers/systemd/users/984`, eigener rootless Podman-Store, gesperrt
(Passwort `!`, Shell `/usr/sbin/nologin`, Linger aktiv). Mitglied der Gruppe
`gn-media` (nur lesender Zugriff auf `state/` und `queue/` der
Encoding-Pipeline). Keine GPU-Gruppenmitgliedschaft, keine `/dev/kfd`-/
`/dev/dri`-Weitergabe.
- **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).
## 5. Metrics-Collector
## 4. Metrikpfad
- Sampling alle 10 s; atomares Schreiben (`state/tmp/` + `mv`) nach
`/var/lib/ghostnet-pipeline/state/system.json` (Mode `0644`).
- Schema:
- **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.
```json
{
"ts": "…",
"cpu_util_pct": 0.0,
"ram_total_bytes": 0,
"ram_used_bytes": 0,
"disks": [{"mount": "/", "total_bytes": 0, "used_bytes": 0}],
"gpu_util_pct": 0.0,
"vram_used_bytes": 0,
"vram_total_bytes": 0
}
```
## 5. Logpfad
- GPU-Metriken werden host-seitig gelesen (rocm-smi oder sysfs); der
Dashboard-Container selbst hat keinen GPU-Zugriff.
- Ressourcenlimits: MemoryMax 512M, CPUWeight 50.
- **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
## 6. Dashboard (Blazor Server)
- **Views:** Ressourcen (CPU, RAM, Disk, GPU-Util, VRAM aus `system.json`);
Encoding-Übersicht (aktive Jobs mit Fortschritt, Queue-Tiefe pro Profil,
Historie done/failed der letzten 30 Tage, Fehlerfälle mit Ablageort in
`output/_failed/`); später LLM-Metriken.
- **Technik:** Python/Flask, server-seitig gerendert, ohne JS-Framework. Nur
read-only Mounts (`state/`, `queue/`); kein GPU-Zugriff, kein Schreibzugriff.
- **Erreichbarkeit:** Ingress über NPM (CT-103) mit TLS, zugriffsgeschützt
über Keycloak — analog zu den bestehenden Admin-Pfaden
(GNAI-005/GNAI-006).
- **Image:** schlankes Python-Base-Image + Flask, Eigenbau unter
`llm-server/monitoring/images/`, Digest gepinnt.
- **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. Anbindung Encoding-Pipeline
## 7. Authentifizierung und Erreichbarkeit
- Der Encoding-Worker schreibt `state/jobs/*.json` (Schema in GNENC-002
Abschnitt 7); das Dashboard liest read-only.
- `state/` ist `gn-encoding:gn-media` mit Mode `2750`, damit `gn-dashboard`
lesen kann; Schreibzugriffe bleiben beim Worker (`state/jobs/`, `state/tmp/`
`0750`) und beim Collector (`state/system.json`).
- Das Dashboard hat keine Schreibzugriffe in die Pipeline.
- **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/ # Playbook + Rolle (Collector-Service, Dashboard-Quadlet, Konto-Zustand)
├── images/ # Dashboard-Containerfile
└── scripts/ # Metrics-Collector
├── 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)
```
Eigene Programme liegen versioniert unter `llm-server/monitoring/scripts/`;
das Dashboard-Image wird gebaut und per Digest gepinnt (analog GNENC-001
Abschnitt 5).
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. NPM-Hostname und Keycloak-Client für das Dashboard (Umsetzung mit
GNAI-005/GNAI-006).
2. Collector-Identität: root oder dedizierter Metrics-Account mit
`render`-Gruppe — finale Festlegung bei der Umsetzung.
3. Erweiterung um LLM-Metriken (später, eigenes Thema im AI-Bereich).
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.
+12
View File
@@ -0,0 +1,12 @@
[defaults]
home = .ansible
host_key_checking = True
interpreter_python = auto_silent
local_tmp = .ansible/tmp
retry_files_enabled = False
roles_path = roles:../../../shared/ansible/roles
timeout = 15
[ssh_connection]
pipelining = True
ssh_args = -o ControlMaster=auto -o ControlPersist=60s
@@ -0,0 +1,10 @@
# GNMON-001 v2.0 workstation (development) inventory group vars.
# Role defaults carry the M1 development values; this file only pins the
# deployment-specific bits.
# VictoriaMetrics image: by tag during development. The digest of the
# verified pull is recorded by the role and pinned here before M5.
# Tag choice: v1.154.1 is the newest patch release of the second-newest
# line (the v1.136 LTS line has no bare OSS tags in the Docker registry).
gnmon_victoria_metrics_image_tag: v1.154.1
gnmon_victoria_metrics_image_digest: null
@@ -0,0 +1,10 @@
# GNMON-001 section 2: workstation inventory for the development phase.
# The monitoring suite is developed and first tested on the operator's
# CachyOS laptop (rootless, user-scope systemd) before the server rollout
# (ghostnet-ki) in milestone M5.
all:
hosts:
gnmon-workstation:
ansible_connection: local
ansible_user: ghost
# No become: everything in user scope during development.
@@ -0,0 +1,28 @@
---
# GNMON-001 v2.0: host monitoring deployment.
# M1 (workstation): metrics path (collector + node_exporter + VictoriaMetrics).
# Tags: `metrics` for the M1 path; log path (M2) and dashboard (M3) follow.
- name: GNMON metrics path
hosts: all
connection: local
roles:
- role: gnmon_collector
tags: [collector]
- role: gnmon_victoria_metrics
tags: [metrics]
post_tasks:
- name: Verify the GPU metrics are ingested
ansible.builtin.uri:
url: "http://127.0.0.1:{{ gnmon_victoria_metrics_port }}/api/v1/query?query=gn_gpu_edge_temp_celsius"
status_code: 200
register: gnmon_query_result
retries: 15
delay: 4
until: >-
gnmon_query_result.json is defined
and gnmon_query_result.json.data.result | length > 0
tags: [metrics]
- name: Show the ingested GPU temperature sample
ansible.builtin.debug:
msg: "gn_gpu_edge_temp_celsius = {{ gnmon_query_result.json.data.result[0].value[1] }} °C"
tags: [metrics]
@@ -0,0 +1,22 @@
# GNMON-001 v2.0 section 3: node_exporter + AMD-GPU textfile collector.
#
# M1 scope: user-scope deployment for the workstation development phase
# (CachyOS laptop). The system scope for ghostnet-ki (metrics account,
# host-systemd, journald groups) is added with milestone M5.
gnmon_collector_scope: user
gnmon_collector_user_home: "{{ lookup('ansible.builtin.env', 'HOME') }}"
gnmon_collector_textfile_dir: "{{ gnmon_collector_user_home }}/.local/state/gnmon/textfile"
gnmon_collector_binary_dir: "{{ gnmon_collector_user_home }}/.local/bin"
gnmon_collector_script_dir: "{{ gnmon_collector_user_home }}/.local/share/gnmon"
gnmon_collector_cache_dir: "{{ gnmon_collector_user_home }}/.cache/gnmon"
# Collection cadence (GNMON-001 section 3: host-systemd-Timer, 10 s).
gnmon_collector_interval_seconds: 10
# node_exporter: pinned upstream release, verified against the release
# SHA256SUMS file at download time.
gnmon_collector_node_exporter_version: "1.12.1"
gnmon_collector_node_exporter_url: "https://github.com/prometheus/node_exporter/releases/download"
gnmon_collector_node_exporter_port: 9100
gnmon_collector_node_exporter_listen: "127.0.0.1:{{ gnmon_collector_node_exporter_port }}"
@@ -0,0 +1,14 @@
# GNMON-001: collector role handlers (user scope, M1).
- name: Restart collector timer
ansible.builtin.systemd:
name: gnmon-amdgpu-collector.timer
scope: user
state: restarted
daemon_reload: true
- name: Restart node_exporter
ansible.builtin.systemd:
name: gnmon-node-exporter.service
scope: user
state: restarted
daemon_reload: true
@@ -0,0 +1,106 @@
# GNMON-001 v2.0 section 3: AMD-GPU textfile collector + node_exporter.
# M1: user-scope deployment on the workstation inventory.
- name: Validate collector declarations
ansible.builtin.assert:
that:
- gnmon_collector_scope == 'user'
- gnmon_collector_user_home is match('^/')
- gnmon_collector_interval_seconds | int >= 5
- gnmon_collector_node_exporter_version is match('^[0-9]+\\.[0-9]+\\.[0-9]+$')
fail_msg: >-
gnmon_collector only implements scope 'user' in milestone M1 and
requires absolute paths and a pinned node_exporter release.
- name: Create collector directories
ansible.builtin.file:
path: "{{ item }}"
state: directory
mode: "0755"
loop:
- "{{ gnmon_collector_textfile_dir }}"
- "{{ gnmon_collector_binary_dir }}"
- "{{ gnmon_collector_script_dir }}"
- "{{ gnmon_collector_cache_dir }}"
- name: Install the AMD GPU textfile collector
ansible.builtin.copy:
src: "{{ playbook_dir }}/../../scripts/amdgpu-textfile-collector.py"
dest: "{{ gnmon_collector_script_dir }}/amdgpu-textfile-collector.py"
mode: "0755"
notify: Restart collector timer
- name: Fetch the node_exporter release checksums
ansible.builtin.get_url:
url: "{{ gnmon_collector_node_exporter_url }}/v{{ gnmon_collector_node_exporter_version }}/sha256sums.txt"
dest: "{{ gnmon_collector_cache_dir }}/node_exporter-{{ gnmon_collector_node_exporter_version }}.SHA256SUMS"
mode: "0644"
- name: Record the pinned node_exporter tarball checksum
ansible.builtin.set_fact:
gnmon_collector_tarball_name: "node_exporter-{{ gnmon_collector_node_exporter_version }}.linux-amd64.tar.gz"
gnmon_collector_tarball_checksum: "{{ lookup('ansible.builtin.file',
gnmon_collector_cache_dir ~ '/node_exporter-' ~ gnmon_collector_node_exporter_version ~ '.SHA256SUMS')
| regex_findall('^([0-9a-f]{64})\\s+node_exporter-' ~ gnmon_collector_node_exporter_version ~ '\\.linux-amd64\\.tar\\.gz$', multiline=True) | first }}"
- name: Download node_exporter {{ gnmon_collector_node_exporter_version }}
ansible.builtin.get_url:
url: "{{ gnmon_collector_node_exporter_url }}/v{{ gnmon_collector_node_exporter_version }}/{{ gnmon_collector_tarball_name }}"
dest: "{{ gnmon_collector_cache_dir }}/{{ gnmon_collector_tarball_name }}"
checksum: "sha256:{{ gnmon_collector_tarball_checksum }}"
mode: "0644"
- name: Extract node_exporter
ansible.builtin.unarchive:
src: "{{ gnmon_collector_cache_dir }}/{{ gnmon_collector_tarball_name }}"
dest: "{{ gnmon_collector_cache_dir }}"
remote_src: true
creates: "{{ gnmon_collector_cache_dir }}/node_exporter-{{ gnmon_collector_node_exporter_version }}.linux-amd64"
- name: Install the node_exporter binary
ansible.builtin.copy:
src: "{{ gnmon_collector_cache_dir }}/node_exporter-{{ gnmon_collector_node_exporter_version }}.linux-amd64/node_exporter"
dest: "{{ gnmon_collector_binary_dir }}/node_exporter"
mode: "0755"
notify: Restart node_exporter
- name: Install the collector service unit
ansible.builtin.template:
src: gnmon-amdgpu-collector.service.j2
dest: "{{ gnmon_collector_user_home }}/.config/systemd/user/gnmon-amdgpu-collector.service"
mode: "0644"
notify: Restart collector timer
- name: Install the collector timer unit
ansible.builtin.template:
src: gnmon-amdgpu-collector.timer.j2
dest: "{{ gnmon_collector_user_home }}/.config/systemd/user/gnmon-amdgpu-collector.timer"
mode: "0644"
notify: Restart collector timer
- name: Install the node_exporter service unit
ansible.builtin.template:
src: gnmon-node-exporter.service.j2
dest: "{{ gnmon_collector_user_home }}/.config/systemd/user/gnmon-node-exporter.service"
mode: "0644"
notify: Restart node_exporter
- name: Run the collector once to seed the textfile
ansible.builtin.command:
cmd: "/usr/bin/python3 {{ gnmon_collector_script_dir }}/amdgpu-textfile-collector.py --textfile-dir {{ gnmon_collector_textfile_dir }}"
creates: "{{ gnmon_collector_textfile_dir }}/amdgpu.prom"
- name: Enable and start the collector timer
ansible.builtin.systemd:
name: gnmon-amdgpu-collector.timer
scope: user
enabled: true
state: started
daemon_reload: true
- name: Enable and start node_exporter
ansible.builtin.systemd:
name: gnmon-node-exporter.service
scope: user
enabled: true
state: started
daemon_reload: true
@@ -0,0 +1,9 @@
[Unit]
Description=GNMON AMD GPU textfile collector (GNMON-001)
Documentation=https://github.com/ghostnet/infrastructure
[Service]
Type=oneshot
ExecStart=/usr/bin/python3 {{ gnmon_collector_script_dir }}/amdgpu-textfile-collector.py --textfile-dir {{ gnmon_collector_textfile_dir }}
# A failing sample must surface in the journal, not silently skip cycles.
Nice=5
@@ -0,0 +1,10 @@
[Unit]
Description=GNMON AMD GPU textfile collector timer (GNMON-001)
[Timer]
OnBootSec=15s
OnUnitActiveSec={{ gnmon_collector_interval_seconds }}s
AccuracySec=1s
[Install]
WantedBy=timers.target
@@ -0,0 +1,11 @@
[Unit]
Description=GNMON node_exporter (GNMON-001)
Documentation=https://github.com/prometheus/node_exporter
[Service]
ExecStart={{ gnmon_collector_binary_dir }}/node_exporter --collector.textfile.directory={{ gnmon_collector_textfile_dir }} --web.listen-address={{ gnmon_collector_node_exporter_listen }}
Restart=on-failure
RestartSec=2s
[Install]
WantedBy=default.target
@@ -0,0 +1,27 @@
# GNMON-001 v2.0 sections 3-4: VictoriaMetrics (single) as rootless quadlet.
#
# M1 scope: user-scope quadlet under the current user on the workstation.
# The image runs by tag during development; M5 pins the digest of the
# verified pull in the server inventory (repo convention: digest pin).
gnmon_victoria_metrics_image: docker.io/victoriametrics/victoria-metrics
gnmon_victoria_metrics_image_tag: v1.154.1
# Digest of the verified pull on the workstation (2026-11-04, M1).
gnmon_victoria_metrics_image_digest: c7884f32920dd45a9d86542a717227e63af03e060e53bbf8031e6e6fd0e1e05d
gnmon_victoria_metrics_user_home: "{{ lookup('ansible.builtin.env', 'HOME') }}"
gnmon_victoria_metrics_quadlet_dir: "{{ gnmon_victoria_metrics_user_home }}/.config/containers/systemd"
gnmon_victoria_metrics_config_dir: "{{ gnmon_victoria_metrics_user_home }}/.config/gnmon"
gnmon_victoria_metrics_data_dir: "{{ gnmon_victoria_metrics_user_home }}/.local/share/gnmon/victoria-metrics-data"
gnmon_victoria_metrics_port: 8428
gnmon_victoria_metrics_retention_days: 60
gnmon_victoria_metrics_scrape_interval_seconds: 10
# node_exporter target (same host; NetworkMode=host in the quadlet).
gnmon_victoria_metrics_node_target: "127.0.0.1:9100"
gnmon_victoria_metrics_image_ref: >-
{{ (gnmon_victoria_metrics_image_digest is not none)
| ternary(gnmon_victoria_metrics_image ~ '@sha256:' ~ gnmon_victoria_metrics_image_digest,
gnmon_victoria_metrics_image ~ ':' ~ gnmon_victoria_metrics_image_tag) }}
@@ -0,0 +1,7 @@
# GNMON-001: VictoriaMetrics role handlers (user scope, M1).
- name: Restart VictoriaMetrics
ansible.builtin.systemd:
name: gnmon-victoria-metrics.service
scope: user
state: restarted
daemon_reload: true
@@ -0,0 +1,62 @@
# GNMON-001 v2.0 sections 3-4: VictoriaMetrics rootless quadlet (M1: user scope).
- name: Validate VictoriaMetrics declarations
ansible.builtin.assert:
that:
- gnmon_victoria_metrics_user_home is match('^/')
- gnmon_victoria_metrics_retention_days | int >= 1
- gnmon_victoria_metrics_node_target | length > 0
fail_msg: VictoriaMetrics declarations are incomplete or ambiguous.
- name: Create VictoriaMetrics directories
ansible.builtin.file:
path: "{{ item }}"
state: directory
mode: "0755"
loop:
- "{{ gnmon_victoria_metrics_quadlet_dir }}"
- "{{ gnmon_victoria_metrics_config_dir }}"
- "{{ gnmon_victoria_metrics_data_dir }}"
- name: Install the promscrape configuration
ansible.builtin.template:
src: scrape.yml.j2
dest: "{{ gnmon_victoria_metrics_config_dir }}/scrape.yml"
mode: "0644"
notify: Restart VictoriaMetrics
- name: Install the VictoriaMetrics quadlet
ansible.builtin.template:
src: gnmon-victoria-metrics.container.j2
dest: "{{ gnmon_victoria_metrics_quadlet_dir }}/gnmon-victoria-metrics.container"
mode: "0644"
notify: Restart VictoriaMetrics
- name: Enable and start VictoriaMetrics
ansible.builtin.systemd:
name: gnmon-victoria-metrics.service
scope: user
enabled: true
state: started
daemon_reload: true
- name: Record the running image digest
ansible.builtin.command:
cmd: "podman inspect --format '{{ '{{' }}.ImageDigest{{ '}}' }}' gnmon-victoria-metrics"
changed_when: false
register: gnmon_victoria_metrics_inspect
failed_when: false
- name: Show the running image digest (digest pin for M5)
ansible.builtin.debug:
msg: >-
gnmon-victoria-metrics runs {{ gnmon_victoria_metrics_image }}:{{ gnmon_victoria_metrics_image_tag }}
(digest {{ gnmon_victoria_metrics_inspect.stdout | default('n/a') }})
- name: Wait for the VictoriaMetrics health endpoint
ansible.builtin.uri:
url: "http://127.0.0.1:{{ gnmon_victoria_metrics_port }}/health"
status_code: 200
register: gnmon_victoria_metrics_health
retries: 30
delay: 2
until: gnmon_victoria_metrics_health.status == 200
@@ -0,0 +1,19 @@
[Unit]
Description=GNMON VictoriaMetrics (GNMON-001)
Documentation=https://docs.victoriametrics.com/
[Container]
ContainerName=gnmon-victoria-metrics
Image={{ gnmon_victoria_metrics_image_ref }}
# Rootless quadlet reaches node_exporter on the host loopback interface.
Network=host
Exec=-promscrape.config=/etc/gnmon/scrape.yml -promscrape.suppressDuplicateScrapeTargetErrors -retentionPeriod={{ gnmon_victoria_metrics_retention_days }}d
Volume={{ gnmon_victoria_metrics_config_dir }}/scrape.yml:/etc/gnmon/scrape.yml:ro,Z
Volume={{ gnmon_victoria_metrics_data_dir }}:/victoria-metrics-data:Z
[Service]
# Quadlet services are user units; pods are transient managed containers.
Restart=on-failure
[Install]
WantedBy=default.target
@@ -0,0 +1,9 @@
# GNMON-001 section 4: VictoriaMetrics promscrape configuration.
global:
scrape_interval: {{ gnmon_victoria_metrics_scrape_interval_seconds }}s
scrape_configs:
- job_name: node
static_configs:
- targets:
- "{{ gnmon_victoria_metrics_node_target }}"
+213
View File
@@ -0,0 +1,213 @@
#!/usr/bin/env python3
"""AMD GPU textfile collector for Prometheus node_exporter (GNMON-001 v2.0).
Reads amdgpu metrics directly from sysfs (no rocm-smi, no ROCm runtime
required) and writes them as a Prometheus textfile exposition for the
node_exporter textfile collector. Same data source as the thermal load
profile from 2026-11-01 (GNAI-010 section 10.8).
Per AMD GPU (vendor 0x1002) the following metrics are emitted when the
underlying sysfs file exists (APUs expose a subset, discrete cards all):
gn_gpu_up{card,gpu}
gn_gpu_utilization_percent{card,gpu}
gn_gpu_vram_used_bytes{card,gpu}
gn_gpu_vram_total_bytes{card,gpu}
gn_gpu_edge_temp_celsius{card,gpu}
gn_gpu_junction_temp_celsius{card,gpu}
gn_gpu_memory_temp_celsius{card,gpu}
gn_gpu_fan_rpm{card,gpu}
gn_gpu_fan_pwm_percent{card,gpu}
gn_gpu_power_watts{card,gpu}
The output file is written atomically (tmp + rename) with mode 0644 so the
node_exporter textfile directory never exposes a partial file.
Usage: amdgpu-textfile-collector.py --textfile-dir DIR [--drm-root /sys/class/drm]
"""
from __future__ import annotations
import argparse
import os
import sys
import tempfile
from pathlib import Path
AMD_VENDOR_ID = "0x1002"
def _read_int(path: Path) -> int | None:
try:
return int(path.read_text().strip())
except (OSError, ValueError):
return None
def _read_text(path: Path) -> str | None:
try:
return path.read_text().strip()
except OSError:
return None
def _read_hwmon_temps(device_dir: Path) -> dict[str, float]:
"""Map hwmon temperature labels (edge/junction/mem/mcd) to celsius."""
temps: dict[str, float] = {}
for hwmon_dir in sorted(device_dir.glob("hwmon/hwmon*")):
for input_path in sorted(hwmon_dir.glob("temp*_input")):
value = _read_int(input_path)
if value is None:
continue
label_path = input_path.with_name(
input_path.name.replace("_input", "_label")
)
label = _read_text(label_path) or ""
label = label.lower()
if "junction" in label:
temps["junction"] = value / 1000.0
elif "edge" in label:
temps["edge"] = value / 1000.0
elif "mem" in label or "mcd" in label:
temps.setdefault("memory", value / 1000.0)
return temps
def collect(drm_root: Path) -> list[str]:
lines: list[str] = []
for device_link in sorted(drm_root.glob("card*")):
if "-" in device_link.name:
continue # connector entries like card0-eDP-1
device_dir = device_link / "device"
if not device_dir.is_dir():
continue
vendor = _read_text(device_dir / "vendor")
if vendor != AMD_VENDOR_ID:
continue
card = device_link.name.removeprefix("card")
gpu = _read_text(device_dir / "product_name") or "unknown"
def emit(metric: str, value, help_text: str, metric_type: str) -> None:
lines.append(f"# HELP {metric} {help_text}")
lines.append(f"# TYPE {metric} {metric_type}")
if value is not None:
lines.append(f'{metric}{{card="{card}",gpu="{gpu}"}} {value}')
emit("gn_gpu_up", 1, "AMD GPU is visible in sysfs", "gauge")
emit(
"gn_gpu_utilization_percent",
_read_int(device_dir / "gpu_busy_percent"),
"GPU utilization in percent (amdgpu sysfs)",
"gauge",
)
emit(
"gn_gpu_vram_used_bytes",
_read_int(device_dir / "mem_info_vram_used"),
"Used VRAM in bytes",
"gauge",
)
emit(
"gn_gpu_vram_total_bytes",
_read_int(device_dir / "mem_info_vram_total"),
"Total VRAM in bytes",
"gauge",
)
temps = _read_hwmon_temps(device_dir)
emit(
"gn_gpu_edge_temp_celsius",
temps.get("edge"),
"GPU edge temperature in celsius",
"gauge",
)
emit(
"gn_gpu_junction_temp_celsius",
temps.get("junction"),
"GPU junction (hotspot) temperature in celsius",
"gauge",
)
emit(
"gn_gpu_memory_temp_celsius",
temps.get("memory"),
"GPU memory temperature in celsius",
"gauge",
)
for hwmon_dir in sorted(device_dir.glob("hwmon/hwmon*")):
for fan_path in sorted(hwmon_dir.glob("fan*_input")):
fan_index = fan_path.name.removeprefix("fan").removesuffix("_input")
rpm = _read_int(fan_path)
if rpm is None:
continue
lines.append(f"# HELP gn_gpu_fan_rpm GPU fan speed in rpm")
lines.append(f"# TYPE gn_gpu_fan_rpm gauge")
lines.append(
f'gn_gpu_fan_rpm{{card="{card}",gpu="{gpu}",fan="{fan_index}"}} {rpm}'
)
pwm = _read_int(hwmon_dir / "pwm1")
if pwm is not None:
lines.append(f"# HELP gn_gpu_fan_pwm_percent Requested fan PWM in percent")
lines.append(f"# TYPE gn_gpu_fan_pwm_percent gauge")
lines.append(
f'gn_gpu_fan_pwm_percent{{card="{card}",gpu="{gpu}"}} {pwm / 255.0 * 100:.2f}'
)
# AMD power sensors report microwatts (power1_average preferred).
for power_name in ("power1_average", "power1_input"):
microwatts = _read_int(hwmon_dir / power_name)
if microwatts is not None:
lines.append(f"# HELP gn_gpu_power_watts GPU board power in watts")
lines.append(f"# TYPE gn_gpu_power_watts gauge")
lines.append(
f'gn_gpu_power_watts{{card="{card}",gpu="{gpu}"}} {microwatts / 1e6:.3f}'
)
break
return lines
def write_textfile(lines: list[str], textfile_dir: Path) -> Path:
textfile_dir.mkdir(parents=True, exist_ok=True)
target = textfile_dir / "amdgpu.prom"
fd, tmp_name = tempfile.mkstemp(
dir=textfile_dir, prefix=".amdgpu.prom.", suffix=".tmp"
)
try:
with os.fdopen(fd, "w", encoding="ascii") as handle:
handle.write("\n".join(lines) + "\n")
os.chmod(tmp_name, 0o644)
os.replace(tmp_name, target)
except BaseException:
try:
os.unlink(tmp_name)
except OSError:
pass
raise
return target
def main() -> int:
parser = argparse.ArgumentParser(description=__doc__)
parser.add_argument(
"--textfile-dir",
type=Path,
default=Path("/var/lib/node_exporter/textfile"),
help="node_exporter textfile directory (default: %(default)s)",
)
parser.add_argument(
"--drm-root",
type=Path,
default=Path("/sys/class/drm"),
help="sysfs DRM root (default: %(default)s)",
)
parser.add_argument(
"--stdout", action="store_true", help="print exposition to stdout instead"
)
args = parser.parse_args()
lines = collect(args.drm_root)
if args.stdout:
print("\n".join(lines))
return 0
write_textfile(lines, args.textfile_dir)
return 0
if __name__ == "__main__":
sys.exit(main())