[Day 26] 系統觀測：Prometheus Exporter + Grafana

2025 iThome 鐵人賽

DAY 26

生成式 AI

打造 AI 微調平台：從系統設計到 AI 協作的 30 天實戰筆記系列第 26 篇

17th鐵人賽

Pei

團隊Cyber Edge Runners

2025-10-10 02:40:13

72 瀏覽

分享至

完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-26

在前 25 天，我們的系統已能從訓練到部署完整運作，但如果某個 Worker 異常、任務延遲或 Redis 塞滿，開發者往往要「猜」問題在哪。

要讓平台真正具備「產品級穩定性」，就必須能觀測 — 讓系統的健康狀態被看見、被量化、被預警。

今天，我們導入 Prometheus + Grafana，建立平台的可觀測性基礎，讓系統從「能跑起來」進化成「能自己報警」。

一、MLflow 與 Prometheus：兩種監控思維

功能面向	MLflow Tracking	Prometheus + Grafana
目的	追蹤訓練實驗與模型表現	監控系統運作與任務狀態
資料性質	離線紀錄（每次實驗結束）	即時監控（每幾秒抓取一次）
資料儲存	SQLite / S3	時序資料庫（TSDB）
典型指標	accuracy、loss、lr	CPU、Mem、queue length、任務成功率
呈現介面	MLflow UI	Grafana Dashboard
決策用途	模型好不好	系統穩不穩

兩者並行使用：

MLflow 告訴你「模型學得怎麼樣」，
Prometheus 告訴你「系統活得好不好」。

二、監控架構總覽

FastAPI / Worker → /metrics (Prometheus Client)
     │
     ▼
 Prometheus (pull metrics every 5s)
     │
     ▼
 Grafana (visualize dashboards)

Exporter 會定期輸出最新指標，Prometheus 抓取後儲存成時序資料，Grafana 再將結果轉為圖表與趨勢。
這樣你不需 SSH 登伺服器看 log，就能知道整個平台的運行健康度。

三、指標一覽

指標名稱	說明	主要用途
Task Success / Total Count	累計成功任務（`task_success_total`）與總任務數（`task_success_total + task_failure_total`）	評估任務成功率與可靠性
Task Queue Length	目前待處理任務數（`task_queue_length`）	反映 Celery/Redis 佇列壅塞情況
Average Task Duration	由 `task_duration_seconds` 直方圖計算的平均耗時	分析任務效能與延遲趨勢
System Resource Usage	CPU 百分比（`system_cpu_percent`）、記憶體用量（`system_memory_usage_gigabytes`）	評估 API / Worker 負載

這四類指標覆蓋了 任務層（Task） 與 系統層（System） 的觀測需求。
它們共同回答：「任務順不順？系統撐不撐？」

四、資料流來源與統計邏輯

1️⃣ 成功/失敗計數與佇列長度

任務執行結果會透過 record_task_success() / record_task_failure() 累積到 Redis。
/metrics 端點被 Prometheus 抓取時，會讀取 Redis 中的統計值。
task_queue_length 則直接使用 Redis 的 LLEN，即時反映排隊情況。

這樣能在任務量激增時即時看到 queue 堆積，及早調整 Worker 數量。

2️⃣ 任務耗時統計

每次任務完成時，系統會記錄其耗時（秒）並更新直方圖 task_duration_seconds。
Grafana 查詢：
```
rate(task_duration_seconds_sum[5m]) / rate(task_duration_seconds_count[5m])
```
即「過去 5 分鐘內的耗時增量 ÷ 任務數增量」＝平均任務耗時。

這樣可平滑掉突發尖峰，只要有新任務完成，數據就會更新。

3️⃣ 系統資源使用

CPU 使用率：psutil.cpu_percent(interval=1)，直接輸出 0–100%。
記憶體使用量：psutil.Process().memory_info().rss / 1024**3，轉為 GB。
Prometheus 會自動抓取多進程資料，Grafana 使用 max without(pid) 聚合，顯示整體使用情況。

這讓你能清楚觀察 API/Worker 是否出現過載、記憶體外洩等現象。

五、Grafana Dashboard 設計

我建立了一份「最小監控儀表板」，以 3–5 張圖呈現系統核心指標，聚焦在任務執行狀態與系統資源負載：

圖表名稱	查詢公式	監控目的
任務成功 / 失敗計數	`task_success_total`、`task_success_total + task_failure_total`	觀察任務執行結果是否穩定、有無異常 spike
任務佇列長度	`task_queue_length`	即時反映 Celery/Redis 是否壅塞
平均任務耗時	`rate(task_duration_seconds_sum[5m]) / rate(task_duration_seconds_count[5m])`	監控任務效能與延遲變化趨勢
CPU 使用率	`max without(pid)(system_cpu_percent)`	評估系統整體負載
記憶體使用量 (GB)	`max without(pid)(system_memory_usage_gigabytes)`	追蹤 API / Worker 的記憶體健康狀態

當「任務失敗數」上升且「佇列長度」持續攀升、同時「CPU 使用率」偏高，
通常代表 Worker 過載或 Redis 延遲。
反之，如果成功數穩定上升且平均耗時下降，代表系統效能逐步優化。

導入 Prometheus + Grafana 之後，我們終於能回答：

「系統現在健康嗎？」、「任務在塞哪裡？」、「是否該擴容？」

MLflow 管實驗，Prometheus 管生命體徵，兩者一靜一動，共同構成平台的「腦」與「神經」。
從今天起，我們不再只關注模型效能，而是 全面掌握平台健康狀態，
讓整個微調平台正式具備 自我觀測與診斷能力（self-observability）。

📎 AI 協作記錄：今日開發指令

# Day 26: 可觀測性實作
請在專案中完成以下任務：

1. 建立 src/metrics/exporter.py
   - 使用 prometheus_client
   - 指標包含：
     - task_success_total, task_failure_total, task_queue_length
     - task_duration_seconds (Histogram)
     - system_cpu_percent, system_memory_usage_gigabytes
   - 新增 /metrics 端點供 Prometheus 抓取

2. 整合 FastAPI
   - 在 main.py 中引入 exporter
   - 確保 /metrics 可被 Prometheus 收集

3. 建立 grafana/dashboard.json
   - 含 Task Success Rate、Queue Length、Average Duration、System Usage 四張圖
   - 使用 rate() 與 max without(pid) 聚合查詢

4. 測試驗證
   - curl localhost:8000/metrics
   - 驗證 Prometheus 指標更新
   - 匯入 dashboard.json 到 Grafana 驗證可視化結果