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>
3.0 KiB
3.0 KiB
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 | Host-Monitoring: Metriken, Log-Pipeline, Dashboard, Anbindung Encoding; Infrastrukturadministratoren |
| docs/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; Kontengn-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 (Digestsha256: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); Idempotenzlaufchanged=0, failed=0.
Noch offen
- 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). - 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. - M2 (Loki + Alloy Log-Pipeline) und M3 (Blazor-Dashboard) auf der Workstation.
- M5 Server-Rollout auf
ghostnet-kinach Behebung des GPU0-Kühldefekts (GNAI-010 10.10): System-Scope-Rollen, Konten 983/984, nftables, Abnahmekriterien aus GNMON-001 Abschnitt 10.