View a markdown version of this page

对 Amazon SageMaker HyperPod 可观测性附加组件进行故障排除 - 亚马逊 SageMaker AI
指标缺失附加组件安装失败查看所有可观测性容器组（pod）陷入 pending 状态的容器组（pod）对受限实例组的可观察性进行故障排除

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。

对 Amazon SageMaker HyperPod 可观测性附加组件进行故障排除

使用以下指南来解决 Amazon SageMaker HyperPod (SageMaker HyperPod) 可观察性附加组件的常见问题。

解决 Amazon Managed Grafana 中的指标缺失问题

如果 Amazon Managed Grafana 控制面板中未显示指标，请执行以下步骤来识别和解决问题。

验证 Amazon Managed Service for Prometheus 与 Amazon Managed Grafana 的连接

  1. 登录 Amazon Managed Grafana 控制台。

  2. 在左侧窗格中，选择所有工作区。

  3. 在工作区表中，选择您的工作区。

  4. 在工作区的详细信息页面中，选择数据来源选项卡。

  5. 确认 Amazon Managed Service for Prometheus 数据来源存在。

  6. 检查连接设置：

    • 确认端点 URL 正确。

    • 确认已正确配置 IAM 身份验证。

    • 选择 Test connection (测试连接)。确认状态为数据来源正在运行。

确认 Amazon EKS 加载项状态

  1. 在 https://console.aws.amazon.com/eks/home#/ clusters 中打开 Amazon EKS 控制台。

  2. 选择您的集群。

  3. 选择附加组件选项卡。

  4. 确认已列出 SageMaker HyperPod 可观测性插件且其状态是否为 AC TIVE。

  5. 如果状态不是 ACTIVE，请参阅附加组件安装失败故障排除。

确认容器组身份关联

  1. 在 https://console.aws.amazon.com/eks/home#/ clusters 中打开 Amazon EKS 控制台。

  2. 选择您的集群。

  3. 在集群详细信息页面上，选择访问选项卡。

  4. 在容器组身份关联表中，选择具有以下属性值的关联：

    • 命名空间：hyperpod-observability

    • 服务账户：hyperpod-observability-operator-otel-collector

    • 附加组件：amazon-sagemaker-hyperpod-observability

  5. 确保附加到此关联的 IAM 角色具有以下权限。

    JSON
    {
    "Version":"2012-10-17",
    "Statement": [
        {
            "Sid": "PrometheusAccess",
            "Effect": "Allow",
            "Action": "aps:RemoteWrite",
            "Resource": "arn:aws:aps:us-east-1:111122223333:workspace/workspace-ID"
        },
        {
            "Sid": "CloudwatchLogsAccess",
            "Effect": "Allow",
            "Action": [
                "logs:CreateLogGroup",
                "logs:CreateLogStream",
                "logs:DescribeLogGroups",
                "logs:DescribeLogStreams",
                "logs:PutLogEvents",
                "logs:GetLogEvents",
                "logs:FilterLogEvents",
                "logs:GetLogRecord",
                "logs:StartQuery",
                "logs:StopQuery",
                "logs:GetQueryResults"
            ],
            "Resource": [
                "arn:aws:logs:us-east-1:111122223333:log-group:/aws/sagemaker/Clusters/*",
                "arn:aws:logs:us-east-1:111122223333:log-group:/aws/sagemaker/Clusters/*:log-stream:*"
            ]
        }
    ]
}

  6. 确保附加到此关联的 IAM 角色具有以下信任策略。确认源 ARN 和源账户正确。

    JSON
    {
    "Version":"2012-10-17",
    "Statement": [
        {
            "Sid": "AllowEksAuthToAssumeRoleForPodIdentity",
            "Effect": "Allow",
            "Principal": {
                "Service": "pods.eks.amazonaws.com"
            },
            "Action": [
                "sts:AssumeRole",
                "sts:TagSession"
            ],
            "Condition": {
                "StringEquals": {
                    "aws:SourceArn": "arn:aws:eks:us-east-1:111122223333:cluster/cluster-name",
                    "aws:SourceAccount": "111122223333"
                }
            }
        }
    ]
}

查看 Amazon Managed Service for Prometheus 限制

  1. 登录 AWS 管理控制台 并打开 Service Quotas 控制台，网址为https://console.aws.amazon.com/servicequotas/。

  2. 在托管配额框中，搜索并选择 Amazon Managed Service for Prometheus。

  3. 选择每个工作区的活动序列配额。

  4. 在资源级限额选项卡中，选择 Amazon Managed Service for Prometheus 工作区。

  5. 确保利用率低于您的当前配额。

  6. 如果您已达到配额限制，请通过选择工作区左侧的单选按钮来选择该工作区，然后选择请求在资源级别增加。

验证是否已启用 KV 缓存和智能路由

如果KVCache Metrics仪表板缺失，则该功能未启用或未在中提及端口modelMetrics。有关如何启用此功能的更多信息，请参阅中的步骤 1 和步骤 3 配置 KV 缓存和智能路由以提高性能。

如果Intelligent Router Metrics仪表板缺失，请启用该功能以显示它们。有关如何启用此功能的更多信息，请参阅配置 KV 缓存和智能路由以提高性能。

附加组件安装失败故障排除

如果无法安装可观测性附加组件，请执行以下步骤来诊断并解决问题。

查看运行状况探针状态

  1. 在 https://console.aws.amazon.com/eks/home#/ clusters 中打开 Amazon EKS 控制台。

  2. 选择您的集群。

  3. 选择附加组件选项卡。

  4. 选择出现故障的附加组件。

  5. 查看运行状况问题部分。

  6. 如果运行状况问题与凭证或容器组身份有关，请参阅确认容器组身份关联。此外，还需确保容器组身份代理附加组件正在集群中运行。

  7. 查看管理器日志中的错误。有关说明，请参阅查看管理器日志。

  8. 请联系 S AWS upport 并提供问题详情。

查看管理器日志

  1. 获取附加组件管理器容器组（pod）：

    kubectl logs -n hyperpod-observability -l control-plane=hyperpod-observability-controller-manager

  2. 对于紧急问题，请联系 支持。

查看所有可观测性容器组（pod）

SageMaker HyperPod 可观测性插件创建的所有 pod 都在hyperpod-observability命名空间中。要获取这些容器组（pod）的状态，请运行以下命令。

kubectl get pods -n hyperpod-observability

查找状态为 pending 或 crashloopbackoff 的容器组（pod）。运行以下命令可获取这些待处理或出现故障的容器组（pod）的日志。

kubectl logs -n hyperpod-observability pod-name

如果您在日志中未找到错误，请运行以下命令来描述容器组（pod）并查找错误。

kubectl describe -n hyperpod-observability pod pod-name

要获取更多上下文，请运行以下两条命令来描述这些容器组（pod）的部署和 DaemonSet。

kubectl describe -n hyperpod-observability deployment deployment-name
kubectl describe -n hyperpod-observability daemonset daemonset-name

对处于 pending 状态的容器组（pod）进行故障排除

如果您看到有处于 pending 状态的 pod，请确保该节点足够大，可以容纳所有 Pod。要确认这一点，请执行以下步骤。

  1. 在 https://console.aws.amazon.com/eks/home#/ clusters 中打开 Amazon EKS 控制台。

  2. 选择您的集群。

  3. 选择集群的计算选项卡。

  4. 选择具有最小实例类型的节点。

  5. 在容量分配部分，查找可用的容器组（pod）。

  6. 如果没有可用的容器组（pod），则需要更大的实例类型。

对于紧急问题，请联系 AWS 支持。

对受限实例组的可观察性进行故障排除

使用以下指南来解决具有受限实例组的集群所特有的问题。

可观察性 pod 无法在受限节点上启动

如果可观察性 Pod 未在受限节点上启动，请检查 pod 状态和事件：

kubectl get pods -n hyperpod-observability -o wide
kubectl describe pod pod-name -n hyperpod-observability

常见原因包括：

  • 图像拉取失败：如果可观察性容器镜像尚未列入受限节点的许可名单，Pod 事件可能会显示图像拉取错误。确保您运行的是最新版本的可观测性插件。如果升级后问题仍然存在，请与联系 支持。

  • 污点容忍度：验证 Pod 规格是否包含受限节点所需的容忍度。启用 RIG 支持后，从版本开始的插件v1.0.5-eksbuild.1会自动添加此容忍度。如果您使用的是旧版本，请升级到最新版本。

查看受限节点上的 Pod 的日志

该kubectl logs命令不适用于在受限节点上运行的 Pod。这是预期的限制，因为日志流所需的通信路径在受限节点上不可用。

要查看来自受限节点的日志，请使用 Amazon Managed Grafana 中的集群日志控制面板，它可以 CloudWatch 直接查询日志。您可以按实例 ID、日志流、日志级别和自由文本搜索进行筛选，以查找相关的日志条目。

同时包含标准节点和受限节点的集群中的 DNS 解析失败

在混合集群（同时包含标准实例组和受限实例组的集群）中，标准节点上的 Pod 在尝试访问 AWS 服务终端节点（例如适用于 Prometheus 的 Amazon 托管服务或）时可能会遇到 DNS 解析超时。 CloudWatch

原因：该kube-dns服务有来自标准 CoreDNS 容器和 RIG CoreDNS 容器的端点。由于网络隔离，标准节点 pod 无法到达 RIG CoreDNS 端点。当从标准节点 pod 向 R kube-proxy IG CoreDNS 终端节点对 DNS 请求进行负载平衡时，请求会超时。

解决方案：在kube-dns服务internalTrafficPolicy: Local上进行设置，以便 pod 只能到达其本地节点上的 CoreDNS：

kubectl patch svc kube-dns -n kube-system -p '{"spec":{"internalTrafficPolicy":"Local"}}'

应用此补丁后，重启受影响的可观察性 pod：

kubectl delete pods -n hyperpod-observability -l app.kubernetes.io/name=hyperpod-node-collector

来自受限节点的指标未到达亚马逊 Prometheus 托管服务

如果受限节点的指标未出现在您的 Amazon Prometheus 托管服务工作区中：

  1. 验证执行角色权限。确保受限实例组的执行角色拥有aps:RemoteWrite访问您的 Prometheus 工作空间的权限。有关更多信息，请参阅 受限实例组的其他先决条件。

  2. 检查节点收集器 Pod 的状态。运行以下命令并验证节点收集器 Pod 是否在受限节点上运行：

    kubectl get pods -n hyperpod-observability | grep node-collector

  3. 检查中央收集器部署。在节点受限的集群中，该插件在每个网络边界部署一个中央收集器。确认每个边界都有中央收集器：

    kubectl get deployments -n hyperpod-observability | grep central-collector

  4. 检查 pod 事件是否有错误。在收集器窗格kubectl describe上使用以查找错误事件：

    kubectl describe pod collector-pod-name -n hyperpod-observability

如果在验证上述内容后问题仍然存在，请与联系 支持。

Pod 身份验证不适用于受限实例组节点

确认容器组身份关联故障排除步骤仅适用于标准节点。在受限节点上，插件使用集群实例组执行角色代替 Amazon EKS Pod 身份进行身份 AWS 验证。如果受限节点中缺少指标，请验证执行角色权限而不是 Pod 身份关联。

Fluent Bit 无法在受限节点上运行

这是预料之中的行为。故意不将 Fluent Bit 部署在受限节点上。来自受限节点的日志 CloudWatch通过 SageMaker HyperPod 平台发布到，与可观察性插件无关。使用 Amazon Managed Grafana 中的集群日志控制面板查看这些日志。