# 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 ## Dokumente | Dokument | Zweck / Zielgruppe | | --- | --- | | [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 - 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. 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.