产品与方案咨询
了解产品能力、应用方案与演示安排
客户挑战
算力业务稳定运行，依赖整条基础设施链路
节点、网络、存储和平台服务彼此关联，局部异常可能影响作业执行，需要结合多个对象的运行信息判断问题。
01
资源异构，状态难统一
GPU 型号、驱动与操作系统并存，监控对象和指标需要统一梳理。
02
链路关联，问题跨专业
网络质量、存储时延与节点负载相互影响，排查需要结合多方信息。
03
依赖分散，健康难掌握
数据库、中间件和接口分别运行，平台健康信息缺少集中呈现。
04
处理分散，协同成本高
告警来自不同工具，影响确认、通知和派单需要跨团队反复沟通。
方案架构
CEMC 统一监控，Soque 组织告警协同
以 CEMC 汇集资源状态、性能与运行关系，通过 Soque 关联多源告警和处理动作，与算力调度平台交换健康与异常信息。
监控范围
覆盖计算、网络、存储与平台依赖
按算力业务运行链路组织监控对象，集中查看设备状态、性能变化与关联风险。
计算节点与 GPU
关注 GPU 利用率、显存、温度、功耗及节点硬件健康，结合操作系统资源状态查看运行变化。
算力网络
关注设备与端口状态、链路流量、丢包及错误指标，结合拓扑查看异常位置和关联链路。
存储与数据访问
关注容量、读写性能、控制器与磁盘状态，识别存储空间和访问性能风险。
操作系统
集中查看 CPU、内存、磁盘、负载、进程和端口，关联主机上的服务运行情况。
平台依赖服务
关注数据库、中间件的连接、线程、内存及服务状态，辅助定位平台运行问题。
调度平台健康
通过接口、日志或 Webhook 接入组件与集群健康信息，按需关联作业状态摘要。
方案介绍
沿算力运行链路，查清异常与影响
当节点温度异常、网络错误或存储访问延迟出现时，将指标、拓扑与告警放在关联对象中查看，帮助工程师缩小排查范围并组织处理。
应用场景
服务集群值守、链路排查与容量评估
集中查看资源健康，及时发现异常
统一查看 GPU、节点、网络、存储和平台依赖的运行情况，通过告警与巡检识别需要关注的对象，减少逐个系统查看的工作量。
- 健康监测查看节点与 GPU 健康、温度和资源使用情况。
- 异常关注关注网络、存储及平台依赖的异常变化。
- 重点核查结合巡检结果安排重点核查。
方案价值
看清运行链路，为算力稳定运行提供支撑
基础设施统一可见
集中查看计算、网络、存储与平台依赖，减少运行状态分散造成的信息缺口。
运行风险及时感知
关注温度、容量、链路质量和性能变化，通过告警与巡检发现异常。
故障排查更有方向
结合指标趋势与资源关系缩小检查范围，为跨专业排查提供具体线索。
维护规划有数据支撑
通过容量、性能与可用性记录识别维护重点，为资源规划提供依据。
