Max Ronzhin
ca54fe84d1
Целевой набор профилей compose по умолчанию (media,monitoring) не включает llm/llm-gpu — job `llm` в prometheus.yml и алерт LlmDown в alerts.yml закомментированы, иначе Prometheus постоянно логировал бы неудачный скрейп несуществующего таргета, а LlmDown вечно оставался бы firing. Раскомментировать оба вместе — на инсталляциях с профилем llm/llm-gpu (пресеты 3-5 install.sh). Дашборд «Пайплайны пост-обработки» и docs/deploy/monitoring.md обновлены с пояснением, что большинство панелей показывают «No data» без transcribe/llm — это ожидаемо, не баг.
100 lines
6.3 KiB
Markdown
100 lines
6.3 KiB
Markdown
# Мониторинг (Prometheus + Grafana, профиль compose `monitoring`)
|
||
|
||
Независимый compose-профиль — можно поднимать вместе
|
||
с любым пресетом инсталлятора (1–5) или отдельно.
|
||
|
||
## 1. Компоненты
|
||
|
||
| Сервис | Образ | Порт (хост) | Назначение |
|
||
|---|---|---|---|
|
||
| `prometheus` | `prom/prometheus:v3.13.1` | `9090` | сбор и хранение метрик, оценка правил алертинга |
|
||
| `postgres-exporter` | `quay.io/prometheuscommunity/postgres-exporter:v0.20.1` | — (внутренний) | метрики PostgreSQL |
|
||
| `redis-exporter` | `oliver006/redis_exporter:v1.87.0-alpine` | — (внутренний) | метрики Redis |
|
||
| `grafana` | `grafana/grafana:13.1.0` | `3001` (внутри контейнера `3000`) | дашборд «Пайплайны пост-обработки» |
|
||
|
||
Файлы: `deploy/monitoring/prometheus.yml`, `deploy/monitoring/alerts.yml`,
|
||
`deploy/monitoring/grafana/provisioning/` (datasource + провайдер
|
||
дашбордов), `deploy/monitoring/grafana/dashboards/pipelines.json`.
|
||
|
||
## 2. Запуск
|
||
|
||
```bash
|
||
docker compose -f deploy/docker-compose.yml --env-file .env --profile monitoring up -d
|
||
```
|
||
|
||
- Prometheus: http://localhost:9090
|
||
- Grafana: http://localhost:3001 (логин/пароль — `.env`,
|
||
`GRAFANA_ADMIN_USER`/`GRAFANA_ADMIN_PASSWORD`; `install.sh` генерирует
|
||
пароль при первой установке)
|
||
|
||
Дашборд «Пайплайны пост-обработки» (папка VidConf в Grafana) появляется
|
||
сразу — источник данных и дашборд провижинятся из файлов, без ручной
|
||
настройки.
|
||
|
||
## 3. Метрики backend
|
||
|
||
`GET /metrics` (`backend/api/metrics.py`, без авторизации внутри
|
||
приложения — снаружи периметра закрыт явным `return 403` в
|
||
`deploy/nginx/nginx.conf`; Prometheus ходит в backend напрямую по docker-сети,
|
||
`backend:8000/metrics`, минуя nginx):
|
||
|
||
- `vidconf_http_request_duration_seconds` (histogram, `method`/`path`/`status`) —
|
||
латентность HTTP по шаблону маршрута.
|
||
- `vidconf_pipeline_sessions` (gauge, `status`) — число сеансов конференций в
|
||
каждом статусе `pipeline_status`
|
||
(recording→transcribing→summarizing→notified|failed).
|
||
- `vidconf_celery_queue_depth` (gauge, `queue`) — глубина очередей Celery
|
||
(`transcription`/`summarize`/`notify`/`celery`, redis `LLEN`), карта
|
||
очередей — `docs/deploy/scaling.md`.
|
||
|
||
Job `llm` в `prometheus.yml` скрейпит `llm:8080/metrics`
|
||
(`LLAMA_ARG_ENDPOINT_METRICS=1`) — этот адрес резолвится ЛИБО сервисом
|
||
`llm` (CPU, профиль `llm`), ЛИБО `llm-gpu` (у него есть сетевой алиас `llm`,
|
||
см. `deploy/docker-compose.yml`) — профили `llm`/`llm-gpu` взаимоисключающи
|
||
по пресету, поэтому один job без дублирования.
|
||
|
||
**По умолчанию job `llm` закомментирован** в `prometheus.yml` (вместе с
|
||
алертом `LlmDown` в `alerts.yml`) — целевой набор профилей compose
|
||
(`media,monitoring`, см. `.env.example`) не включает `llm`/`llm-gpu`, и
|
||
таргет `llm:8080` не резолвится вовсе. Раскомментируйте job и алерт вместе,
|
||
если инсталляция запущена с профилем `llm`/`llm-gpu` (пресеты 3–5
|
||
`install.sh`) — иначе панель «LLM-сервер доступен» дашборда «Пайплайны
|
||
пост-обработки» будет показывать «No data».
|
||
|
||
## 4. Алерты (`deploy/monitoring/alerts.yml`)
|
||
|
||
| Алерт | Условие | severity |
|
||
|---|---|---|
|
||
| `PipelineFailed` | рост числа сеансов в статусе `failed` за 15 минут | critical |
|
||
| `QueueGrowing` | глубина очереди растёт 15 минут подряд и превышает 10 задач | warning |
|
||
| `LlmDown` | `up{job="llm"} == 0` дольше 2 минут | critical (закомментирован по умолчанию) |
|
||
|
||
`LlmDown` актуален только на инсталляциях с профилем `llm`/`llm-gpu`
|
||
(пресеты 3–5) — по умолчанию (профили `media,monitoring`, без AI) правило
|
||
закомментировано в `alerts.yml` вместе с job `llm` в `prometheus.yml`.
|
||
Раскомментируйте оба, если поднимаете профиль `llm`/`llm-gpu`.
|
||
|
||
Проверка (после раскомментирования job/алерта, на инсталляции с профилем
|
||
`llm`/`llm-gpu`) — искусственно завалить пайплайн и убедиться, что алерт
|
||
срабатывает:
|
||
|
||
```bash
|
||
# Стек с профилями media, transcribe, llm, monitoring уже поднят,
|
||
# идёт активная суммаризация (сеанс в статусе summarizing).
|
||
docker compose -f deploy/docker-compose.yml --env-file .env stop llm
|
||
# Подождать > 2 минут → Prometheus (http://localhost:9090/alerts)
|
||
# должен показать LlmDown в состоянии firing, следом — QueueGrowing
|
||
# (очередь summarize перестаёт разбираться) и, если сеанс не восстановится
|
||
# за 15 минут (recover_stuck_summaries переставит задачу, workers/celery_app.py),
|
||
# PipelineFailed.
|
||
docker compose -f deploy/docker-compose.yml --env-file .env start llm
|
||
```
|
||
|
||
## 5. Хранение
|
||
|
||
`prometheus_data`/`grafana_data` — именованные тома, переживают
|
||
пересоздание контейнеров. Ретеншен Prometheus — дефолт образа (15 дней);
|
||
для прод-инсталляций с длинным горизонтом донастраивается флагом
|
||
`--storage.tsdb.retention.time` (не задан в `deploy/docker-compose.yml` —
|
||
осознанный dev/small-prod дефолт, донастраивается отдельно при необходимости).
|