Trino Cluster 監控

說到 Trino Cluster 的維運，集群的健康度監控可是不能少，這邊列幾個筆者有實作的 Grafana 監控指標：

1. Trino Coordinators pod CPU 消耗情形

• 此指標代表 Trino Coordinator Pod 在當下時刻消耗的 CPU 核心數。

sum(node_namespace_pod_container:container_cpu_usage_seconds_total:sum_irate{cluster="xxx-db", namespace="xxx-center", pod=~"trino-xxx-coordinator.*"})

2. Trino Workers active counts

• 此指標用來追蹤 Trino Worker 的實際可用節點數。
• 若數值比預期的 replicas 少，表示有 worker 沒起來，可能導致查詢失敗或效能下降。

sum(kube_deployment_status_replicas_ready{namespace="sl-data-center", deployment=~"trino-worker"})

3. Trino cluster CPU Core Count

• 此指標拿整個 Trino cluster 目前可用的 CPU cores 數量，與一天前、七天前的數值做比較。
• 此為觀察週期性趨勢的用意，看整座 Trino 在資源使用上有沒有週期性的變動。

1. trino_memory_clustermemorymanager_totalavailableprocessors
2. trino_memory_clustermemorymanager_totalavailableprocessors offset 1d 
3. trino_memory_clustermemorymanager_totalavailableprocessors offset 7d

4. Cluster User Memory Reservation

• 此指標代表整個 Trino cluster 目前查詢「預留」的 *User Memory 總量。

trino_memory_clustermemorymanager_clusterusermemoryreservation

在 Trino 裡記憶體分三類：

1. User Memory → 查詢運算需要的記憶體（如 hash join、排序、聚合）
2. System Memory → Trino 自身運行所需的記憶體（如 task 資料結構、metadata）
3. Revocable Memory → 可回收的暫時記憶體

5. Cluster Total Memory Reservation

• 此指標代表整個 Trino cluster 目前查詢「預留」的 Total Memory 總量，包含 User Memory、System Memory 以及 Revocable Memory。

trino_memory_clustermemorymanager_clustertotalmemoryreservation

Trino Cluster 告警

設定完指標，當然要知道什麼時候需要起床關注一下我們的 Trino cluster，否則要是半夜有客戶睡不著想查資料可就糟了。

這邊就上節有提到的指標，來談談能夠設定哪些相應的告警，以便維運作業的進行：

1. Trino Coordinators pod CPU

• 對 Trino Coordinator 來說，CPU 使用量長時間過高，代表 coordinator 可能遭遇：
  • 處理 metadata 查詢過多
  • 分配任務壓力過大
  • 某些 Query 設計錯誤，導致 coordinator 變瓶頸
• 故可設置類似下面告警：
  • CPU 過高告警
    • 可設置如「CPU > 2 cores，持續 5 分鐘」，需值班人員處理。
  • CPU 長時間閒置告警
    • 若想要節省成本，可設置如「CPU 長時間 < 0.1 core」→ 可能叢集閒置，可考慮縮容。

## CPU > 2 cores，持續 5 分鐘
expr: sum(node_namespace_pod_container:container_cpu_usage_seconds_total:sum_irate{cluster="ec-eks-db", namespace="sl-data-center", pod=~"trino-elt-coordinator.*"}) > 2
for: 5m

CPU 3hr < 0.1 core
expr: sum(node_namespace_pod_container:container_cpu_usage_seconds_total:sum_irate{cluster="ec-eks-db", namespace="sl-data-center", pod=~"trino-elt-coordinator.*"}) < 0.1
for: 3hr

2. Trino Workers active counts

• 這個指標很常搭配 kube_deployment_spec_replicas（期望的 replicas 數量）一起看，可以判斷是否有「未達期望副本數」的情況。
• 故可設置類似下面告警：
  • Worker 掛掉：表示沒半個 Worker 存活
  • Worker 部分缺失：表示與期望的 replicas 數量比較有差異

## Worker 掛掉 
expr: sum(kube_deployment_status_replicas_ready{namespace="sl-data-center", deployment=~"trino-worker"}) < 1
for: 5m
labels:
  severity: critical
  
## Worker 部分缺失
expr: (
  sum(kube_deployment_spec_replicas{namespace="sl-data-center", deployment=~"trino-worker"})
  -
  sum(kube_deployment_status_replicas_ready{namespace="sl-data-center", deployment=~"trino-worker"})
) > 0
for: 10m

3. Cluster User Memory Reservation

• 如果 User Memory 長時間逼近 Worker 記憶體上限，會導致：
  • 新的查詢無法進來被處理。
  • 已執行的查詢發生 OOM 或直接被 kill。
• 故可設置類似下面告警：
  • 高記憶體使用：如 User Memory 超過 Worker 記憶體 7 成，維持 10 分鐘。
  • 記憶體接近上限：如 User Memory 超過 Worker 記憶體 9 成，維持 5 分鐘。

## 高記憶體使用
expr: trino_memory_clustermemorymanager_clusterusermemoryreservation > (0.7 * trino_memory_clustermemorymanager_clusterusermemorylimit)
for: 10m

## 記憶體接近上限
expr: trino_memory_clustermemorymanager_clusterusermemoryreservation > (0.9 * trino_memory_clustermemorymanager_clusterusermemorylimit)
for: 5m

明日預告

明天就是最後一天啦！完賽在即，心中感慨萬千。第一次參加 iThome 鐵人賽，有種「登泰山而小天下」的小小成就感。也希望持續學習與分享，能真正融入我的生活習慣。

今天介紹了 Trino Cluster 的監控與告警，明天《監控你的湖倉，Grafana Metrics 建立 (二)》將會補上 Trino Query 指標以及告警的部分。

Know me more

My Linkedin: https://www.linkedin.com/in/benny0624/
My Medium: https://hndsmhsu.medium.com/