集群警报 - AWS ParallelCluster

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

集群警报

集群运行状况监控对于确保最佳性能至关重要。 AWS ParallelCluster 使您能够监控集群头节点 CloudWatch 的多个警报。

本节提供每种类型的头节点集群警报的详细信息，包括其命名约定、触发警报的特定条件以及建议的故障排除步骤。

例如，集群警报的命名约定是CLUSTER_NAME-COMPONENT-METRICmycluster-HeadNode-Cpu。

  • CLUSTER_NAME-HeadNode: 表示头节点的整体状态。如果以下至少有一个警报为红色。

  • CLUSTER_NAME-HeadNode-Health: 如果至少有一次 Amazon Healt EC2 h Check 失败，则为红色。如果出现警报，我们建议您查看状态检查失败的实例疑难解答。

  • CLUSTER_NAME-HeadNode-Cpu：如果CPU利用率大于 90%，则为红色。如果出现警报，请检查消耗CPU最多的进程ps -aux --sort=-%cpu | head -n 10。

  • CLUSTER_NAME-HeadNode-Mem：如果内存利用率大于 90%，则为红色。如果出现警报，请检查消耗内存最多的进程ps -aux --sort=-%mem | head -n 10。

  • CLUSTER_NAME-HeadNode-Disk: 如果路径上占用的磁盘空间大于 90% /则为红色。如果出现警报，请检查占用大部分空间的文件夹du -h --max-depth=2 / 2> /dev/null | sort -hr。