集群警报 - Amazon ParallelCluster
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

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。 Amazon ParallelCluster 使您能够监控集群头节点 CloudWatch 的多个警报。

本节详细介绍了每种类型的头节点集群警报，包括其命名约定、触发警报的特定条件和建议的问题排查步骤。

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

  • CLUSTER_NAME-HeadNode：表示头节点的整体状态。如果以下警报中至少有一个是红色的，它就是红色的。

  • 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，建议查看排查状态检查失败的实例的问题。

  • CLUSTER_NAME-HeadNode-Cpu：如果 CPU 利用率超过 90%，则显示红色。如果出现警报，请使用 ps -aux --sort=-%cpu | head -n 10 查看占用 CPU 资源最多的进程。

  • CLUSTER_NAME-HeadNode-Mem：如果内存利用率超过 90%，则显示红色。如果出现警报，请使用 ps -aux --sort=-%mem | head -n 10 查看占用内存资源最多的进程。

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