[发明专利]一种人工智能开发平台的监控管理方法及系统

权利要求书

1.一种人工智能开发平台的监控管理方法，其特征在于，所述方法包括下述步骤：

对数据采集模块进行源码优化，并利用优化的数据采集模块进行数据采集，其中采集到的数据为包括集群、存储节点和GPU卡在内的各个资源的使用数据；

将采集到的数据写入多节点部署的时间序列数据库，所述时间序列数据库处于高可用状态；

根据用户选取的聚合分析的时间节点，从所述时间序列数据库中采集包括集群、存储节点和GPU卡在内的各个资源的使用数据，同时对采集到的使用数据进行聚合分析，并通过UI界面展示聚合分析结果；

所述数据采集模块的源码优化内容包括自定义数据采集脚本、数据采集方式的修改和数据采集模块内存管理方式的修改；

其中，修改后的数据采集方式满足指定场景的数据采集和纳米级时间粒度的采集，所述自定义数据采集脚本所采集的数据包括节点中CPU的温度、GPU卡的性能数据以及容器相关的性能数据，所述指定场景包括GPU存在不可用情况的场景和由于网络问题导致GPU卡训练速度不足的场景；

内存管理方式的修改包括在所述数据采集模块内增加一个中间文件，所述中间文件用来存储数据采集模块中的内存数据；

所述时间序列数据库为InfluxDB。

2.根据权利要求1所述的人工智能开发平台的监控管理方法，其特征在于，所述利用优化的数据采集模块进行数据采集的步骤具体包括下述步骤：

采集符合源码优化的数据采集模块内存结构的数据；

通过对所述数据采集模块内存管理方式的修改，在将采集的数据写入时间序列数据库InfluxDB之前，将所述数据采集模块的内存数据写入预先配置的中间文件。

3.根据权利要求1所述的人工智能开发平台的监控管理方法，其特征在于，所述时间序列数据库InfluxDB的高可用状态的设置步骤具体包括：

配置多个用于冗余的存储节点，并将所述数据采集模块采集到的数据同时写入多个存储节点的时间序列数据库InfluxDB中；

对服务器集群中的存储节点进行增加或删除，同时，通过自动修改目前集群中所有存储节点中数据采集模块写入数据的目标信息，并且把集群中所有的时间序列数据库InfluxDB的配置信息维护到配置中心中；

在Linux操作系统上增加对所述时间序列数据库InfluxDB的可用性检测脚本，用于对所述时间序列数据库InfluxDB的可用性进行检测；

在Linux操作系统上增加用于重启恢复所述时间序列数据库InfluxDB的恢复脚本，用于对当检测到所述时间序列数据库InfluxDB不可用时，通过重启服务以及清理内存的方式进行服务恢复；

在Linux操作系统上增加存储节点切换脚本，用于当时间序列数据库InfluxDB恢复失败时，将工作状态切换到备用的存储节点上。

4.根据权利要求1所述的人工智能开发平台的监控管理方法，其特征在于，所述根据用户选取的聚合分析的时间节点，从所述时间序列数据库InfluxDB中采集包括集群、存储节点和GPU卡在内的各个资源的使用数据，同时对采集到的使用数据进行聚合分析，并通过UI界面展示聚合分析结果的步骤具体包括下述步骤：

选取聚合分析的时间节点，所述时间节点包括24小时、7天以及30天；

根据选取的聚合分析的时间节点，按照与所述时间节点相匹配的时间频率在所述数据采集模块采集的包括集群、存储节点和GPU卡在内的各个资源的使用数据中采集一次数据；

将所有次采集到数据做聚合分析，生成聚合分析结果，并存储在时间序列数据库InfluxDB中；

接收用户输入的页面展示命令，从所述时间序列数据库InfluxDB中查找与所述页面展示命令相匹配的聚合分析结果，并通过UI界面展示。