# 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`. ### M2: Logpfad (implementiert 04.11.2026, Workstation-Entwicklung) - `gnmon_loki`-Rolle: rootless Quadlet, `Network=host`, `User=0` (Rootless-Mapping; das Upstream-Image läuft intern als UID 10001, die im User-Namespace nicht gemappt ist), Loki **3.6.19** (Digest `sha256:0f9cbc340cbe33ee498e654075034336962057db072f57b37f253e14d476443a`, verifizierter Pull 04.11.2026), TSDB-Schema v13, Filesystem-Store, Retention 30 d mit Compactor, Health-Check im Playbook. - `gnmon_alloy`-Rolle: Alloy **v1.21.3** als Host-Binary (GNMON-001 §3; im rootless Container wäre die Journal-Gruppenzuordnung gid 981 nicht mappbar), User-Unit, SHA256SUMS-verifizierter Download, Journald-Quelle mit `loki.relabel`-Regeln (unit/syslog_identifier/priority als Labels) plus Datei-Quellen (Workstation: `dev-test.log`). - River-Syntax-Befunde (Alloy 1.21): Listenelemente benötigen Trailing-Commas; `relabel_rules` ist ein Attribut, das den `rules`-Export einer `loki.relabel`-Komponente nimmt; Rule-Attribute sind `source_labels`/`target_label` (Promtail-Stil). - Verifikation: Dev-Logzeile erscheint in Loki (`query_range` mit `source="dev-test"`), Idempotenzlauf `changed=0, failed=0`. - **Offener Operator-Schritt (Workstation):** `sudo usermod -aG adm,systemd-journal ghost` — die Journald-Quelle läuft ohne Fehler, sammelt aber ohne Gruppenmitgliedschaft keine Einträge (dokumentiertes Alloy-Verhalten). Danach Journald-Ingestion in einer neuen Session verifizieren. (usermod durchgeführt 04.11.2026; aktivierungspflichtig über Neustart des User-Managers, z. B. Laptop-Reboot.) ### M4: Alerting (implementiert 04.11.2026, Workstation-Entwicklung) Plan-Ergänzung (Lücke in v2.0 festgestellt): Sammeln und Anzeigen ohne Schwellwert-Alarm hätte den Vorfall vom 03.11. nicht verhindert. Betreiberentscheidung 04.11.2026: Benachrichtigung per E-Mail. - `gnmon_vmalert`-Rolle: rootless Quadlet, vmalert **v1.154.1** (Digest `sha256:aafb962b5a5713c71f0d697d629416f9cccf23aecb74f0ec5e829ddbf3f221f2`), Evaluationsintervall 30 s, Datasource/Remote-Write/Notifier host-lokal. - `gnmon_alertmanager`-Rolle: rootless Quadlet, Alertmanager **v0.34.2** (Digest `sha256:39d8bb3966c694a124428a3a88fbcffd40bd069129ecd47c059f8a3f17c55f3b`), E-Mail-Receiver (group_wait 30 s, repeat 4 h, send_resolved). SMTP-Credentials liegen in einer host-lokalen secrets-Datei außerhalb des Repos (`~/.config/gnmon/alertmanager-secrets.yml`); ohne sie wird eine Stub-Konfiguration deployt, die den Pfad ohne Mail testbar hält. - Alert-Regeln (`alerts.yml`): `GpuJunctionTempCritical` (> 95 °C, 2 min, critical), `GpuFanStalledUnderLoad` (PWM > 5 % bei 0 RPM, 3 min, critical — exakte Signatur des GPU0-Ausfalls), `GpuEdgeTempHigh`, `GpuVramNearFull`, `NodeExporterDown`, `NodeExporterAbsent`; plus Dev-only-Selbsttestregel (`GnmonSelfTest`, in M5 serverseitig zu deaktivieren). - Verifikation: Selbsttest-Alert erscheint in Alertmanager (`/api/v2/alerts`), Idempotenzlauf `changed=0, failed=0`. - Offen bis M5: echter SMTP-Versand gegen den Betreiber-Mailserver (Operator-Schritt: secrets-Datei + Testmail). ## 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. M3 (Blazor-Dashboard) auf der Workstation; Journald-Ingestion nach Laptop-Neustart verifizieren (M2-Operator-Schritt). 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.