AI 应用监控与运维:确保系统稳定运行

AI 应用监控与运维:确保系统稳定运行

前言

AI 应用的监控与运维是确保系统稳定运行的关键。一个好的监控系统能够及时发现问题、预警风险、保障服务质量。

我在项目中负责过多个 AI 系统的运维工作,对监控指标和运维流程有深入理解。今天分享一些实用的监控和运维经验。

监控指标

性能指标

python 复制代码
class PerformanceMetrics:
    """性能指标"""
    
    def __init__(self):
        self.request_count = 0
        self.total_latency = 0
        self.error_count = 0
    
    def record_request(self, latency: float, success: bool):
        """记录请求"""
        self.request_count += 1
        self.total_latency += latency
        
        if not success:
            self.error_count += 1
    
    def get_metrics(self) -> dict:
        """获取指标"""
        return {
            "requests_total": self.request_count,
            "avg_latency": self.total_latency / max(self.request_count, 1),
            "error_rate": self.error_count / max(self.request_count, 1)
        }

资源指标

python 复制代码
class ResourceMetrics:
    """资源指标"""
    
    def __init__(self):
        self.cpu_usage = 0
        self.memory_usage = 0
        self.gpu_usage = 0
    
    def update(self):
        """更新指标"""
        import psutil
        
        self.cpu_usage = psutil.cpu_percent()
        self.memory_usage = psutil.virtual_memory().percent
        
        # GPU 使用率
        try:
            import GPUtil
            gpus = GPUtil.getGPUs()
            if gpus:
                self.gpu_usage = gpus[0].load * 100
        except:
            self.gpu_usage = 0
    
    def get_metrics(self) -> dict:
        """获取指标"""
        return {
            "cpu_usage": self.cpu_usage,
            "memory_usage": self.memory_usage,
            "gpu_usage": self.gpu_usage
        }

日志系统

python 复制代码
import logging
from pythonjsonlogger import jsonlogger

class StructuredLogger:
    """结构化日志"""
    
    def __init__(self, name: str):
        self.logger = logging.getLogger(name)
        self.logger.setLevel(logging.INFO)
        
        # 控制台处理器
        handler = logging.StreamHandler()
        formatter = jsonlogger.JsonFormatter(
            '%(asctime)s %(levelname)s %(message)s %(request_id)s'
        )
        handler.setFormatter(formatter)
        
        self.logger.addHandler(handler)
    
    def log_request(self, request_id: str, prompt: str, latency: float):
        """记录请求日志"""
        self.logger.info(
            "Request processed",
            extra={
                "request_id": request_id,
                "prompt_length": len(prompt),
                "latency": latency
            }
        )
    
    def log_error(self, request_id: str, error: str):
        """记录错误日志"""
        self.logger.error(
            "Request failed",
            extra={
                "request_id": request_id,
                "error": error
            }
        )

告警系统

python 复制代码
class AlertingSystem:
    """告警系统"""
    
    def __init__(self):
        self.thresholds = {
            "error_rate": 0.05,
            "latency": 2.0,
            "cpu_usage": 90
        }
    
    def check_alerts(self, metrics: dict) -> list:
        """检查告警条件"""
        alerts = []
        
        if metrics.get("error_rate", 0) > self.thresholds["error_rate"]:
            alerts.append({
                "level": "critical",
                "message": f"错误率过高: {metrics['error_rate']:.2%}"
            })
        
        if metrics.get("avg_latency", 0) > self.thresholds["latency"]:
            alerts.append({
                "level": "warning",
                "message": f"延迟过高: {metrics['avg_latency']:.2f}s"
            })
        
        return alerts
    
    def send_alert(self, alert: dict):
        """发送告警"""
        # 可以发送到 Slack、邮件等
        print(f"ALERT [{alert['level']}]: {alert['message']}")

自动化运维

python 复制代码
class AutoScaler:
    """自动扩缩容"""
    
    def __init__(self, min_replicas: int = 1, max_replicas: int = 10):
        self.min_replicas = min_replicas
        self.max_replicas = max_replicas
        self.current_replicas = 1
    
    def scale(self, metrics: dict):
        """根据指标调整副本数"""
        error_rate = metrics.get("error_rate", 0)
        latency = metrics.get("avg_latency", 0)
        
        if latency > 3.0 and self.current_replicas < self.max_replicas:
            self.current_replicas += 1
            print(f"扩容到 {self.current_replicas} 个副本")
        
        elif error_rate < 0.01 and self.current_replicas > self.min_replicas:
            self.current_replicas -= 1
            print(f"缩容到 {self.current_replicas} 个副本")

总结

AI 应用监控与运维需要:

  1. 性能监控:请求数、延迟、错误率
  2. 资源监控:CPU、内存、GPU 使用情况
  3. 日志系统:结构化日志记录
  4. 告警系统:及时发现异常
  5. 自动化运维:自动扩缩容

关键要点:

  • 监控指标要全面
  • 日志要结构化便于分析
  • 告警阈值要合理设置
  • 自动化能减少人工干预
相关推荐
冬奇Lab8 小时前
Agent 系列(23):Web Agent——让 Agent 真正浏览网页
人工智能·llm·agent
冬奇Lab8 小时前
每日一个开源项目(第135篇):codebase-memory-mcp - 给 AI Agent 一张代码库的知识图谱
人工智能·开源·llm
IT_陈寒11 小时前
JavaScript的闭包把我坑惨了,说好的内存会自动回收呢?
前端·人工智能·后端
哥布林学者13 小时前
深度学习进阶(三十一)FlashAttention:IO 感知的精确注意力
机器学习·ai
jooloo15 小时前
Codex 间歇性 400 之谜:一条对话里,它为什么有时候用 chat/completions,有时候切到 responses?
人工智能
用户51914958484515 小时前
OpenSSL PKCS#12 PBMAC1 堆栈缓冲区溢出漏洞 (CVE-2025-11187) 分析与验证
人工智能·aigc
用户51914958484516 小时前
HP Sound Research SECOMNService 权限提升漏洞利用工具
人工智能·aigc
用户0183493016916 小时前
给 AI 智能体能力包一层 BFF,前端只调一个接口
人工智能