[Other] Prometheus export and dashboard on a layer split: stage labels, per-card PCIe, hit counters
メンテナーはふだん 3 日以内に返信
まだ誰も着手していません。
評価
- 難易度
- 4/5
- 見積もり時間
- 3〜5日
- 初心者へのやさしさ
- 48/100
- issue の種類
- 機能追加
- 明瞭さ
- おおむね明確
- 活発さ
- 活発
- 技術スタック
- grafana, prometheus, python
- 領域
- backend, observability
調査の方向性
Start with the Prometheus metric assembly in serve/prometheus.py around lines 148–157 and the hardware telemetry in serve/telemetry.py around lines 611–613; then inspect topology.stages and the dashboard files under docs/monitoring/. Check how GPU metrics reach both Prometheus endpoints and how expert hit counters can be accumulated across requests. Done when stage labels, per-card PCIe and power-limit metrics, cumulative expert counters, and the requested dashboard panels are available.
索引モデルが issue の本文から書いたものです。
説明
Area
Other
What do you want to do?
Make the Prometheus export and the Grafana dashboard (docs/monitoring/) usable on a layer split.
Today every per-card metric carries only gpu="<index>" (serve/prometheus.py ~148-157): no card name and no stage, so a panel cannot say which card holds layers 0-24. PCIe rx/tx is summed over the cards in the JSON hardware block (serve/telemetry.py ~611-613) and left out of the per-card list, so it is never exported at all; the power limit is not exported. The expert hit rate is one gauge for the last request (strata:last_hit_rate), which a 15 s scrape mostly misses, and it covers both stages together. /metrics/prometheus (the llama.cpp-named endpoint) has no GPU metrics at all. The dashboard has no panel for gpu_temp_celsius, gpu_power_watts, cpu, last_decode_tok_s or engine_max_context even though they are exported.
Suggested: strata:stage_info{stage,gpu,name,layer_start,layer_end} from topology.stages; counters strata:expert_hits_total / expert_lookups_total and a pcie_share gauge instead of the last-request gauge; per-card PCIe rx/tx and power limit; and a "Layer split" dashboard row. Happy to send the prometheus.py part.
What do you do today instead?
Read the engine log and the JSON /metrics; a separate exporter for wall power.
Hardware: 2x RTX 3090 24 GB (PCIe 3.0 x16, one per socket), 2x Xeon E5-2620 v3, 256 GB, Ubuntu 26.10. Version: 0.2.7 (engine 0.1.52, Control 0.1.52); code checked on main 46c152a1. Model: Flash-Next IQ3_S, layer split 25 with --trim-stage-weights, conversation cache 40 GiB / 16 slots; the full profile is in #4468.
- 主要言語
- C++
- スター
- 11.6k
- フォーク
- 1k
- PR マージ指標
- 30日以内にマージされた PR はありません
環境構築
このプロジェクトには開発コンテナ、Dockerfile、コントリビューションガイドがありません。まず README を読み、一般的な手順ははじめてのコントリビューションガイドを参照してください。
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
Niko1221/Strata のほかの issue
-
難易度 2/5 1〜3時間 初心者へのやさしさ 85/100
Niko1221/Strata#4779 · コメント 2 件 ·
メンテナーはふだん 3 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
メンテナーはふだん 3 日以内に返信
-
[GUI] npm test deletes the person's model folder: models-folder.test.mjs removes <drive>\Strataオープン
難易度 2/5 1〜3時間 初心者へのやさしさ 88/100
メンテナーはふだん 3 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 76/100
メンテナーはふだん 3 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 78/100
Niko1221/Strata#4630 · コメント 1 件 ·
メンテナーはふだん 3 日以内に返信
Niko1221/Strata の issue をすべて見る
似ている issue
-
難易度 2/5 1〜3時間 初心者へのやさしさ 65/100
scp-fs2open/fs2open.github.com#7965 ·
メンテナーはふだん 1 日以内に返信
-
[Bug][CuTeDSL][Fuzz] `utils.gemm.sm100.epilogue` releases the accumulator before `tcgen05.ld` completes: no `tcgen05.wait::ld` before the arrive that lets the next MMA overwrite TMEM対応中かも このイシューにリンクされたプルリクエストがオープン中、またはマージ済みです。 オープン
難易度 2/5 1〜3時間 初心者へのやさしさ 78/100
メンテナーはふだん 4 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
elf-alchemist/elfbsp#113 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 75/100
patrick-hudson/put.gd-desktop#979 · コメント 1 件 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 76/100
Dao-AILab/flash-attention#3097 ·
メンテナーはふだん 3 日以内に返信