Difference between revisions of "ARCHIVES/LCG-FR / SA1-FR Monitoring WG"

Un article de lcgwiki.
Jump to: navigation, search
(ce qui doit être monitoré)
(ce qui doit être monitoré)
Ligne 52: Ligne 52:
  
 
=== ce qui doit être monitoré ===
 
=== ce qui doit être monitoré ===
*  Disks becoming full, or nearly so. In particular check that jobs are not filling /tmp, the home directories or other scratch space.
 
* Also check that disks don't run out of inodes.
 
* Node crashes and disk failures.
 
*
 
* Clock skew - often because the ntpd has died, or sometimes due to a problem with the clock to which ntpd is synchronised.
 
*  * CRLs expiring - this can cause failures for certificates from a single CA, which can be hard to diagnose.
 
* Check that you can use GridFTP from each WN to the CE and SE (although this will need a valid proxy on the WN).
 
* Check the processes running on each WN - that the needed processes (ntpd, pbs etc) are running, and that other things (rogue processes, stuck jobs) are not.
 
* Check log files for signs of trouble. Look for permission denied
 
* Monitor the duration of jobs by WN - if all jobs to a particular WN are ending quickly it may well be faulty.
 
  
  
Ligne 79: Ligne 69:
 
NFS mounts failing - check that files can be written and read. In particular checking that the VO_[VONAME]_SW_DIR is readable.
 
NFS mounts failing - check that files can be written and read. In particular checking that the VO_[VONAME]_SW_DIR is readable.
 
| width="50%" |
 
| width="50%" |
GRIF
+
GRIF with scripting
 
| width="50%" |
 
| width="50%" |
 
Non validé
 
Non validé
Ligne 88: Ligne 78:
 
ssh keys - some modes of operation require unchallenged ssh between WNs and the CE, or for MPI among the WNs. First simple check is to verify that the wn can copy back a file to the ce.  
 
ssh keys - some modes of operation require unchallenged ssh between WNs and the CE, or for MPI among the WNs. First simple check is to verify that the wn can copy back a file to the ce.  
 
| width="50%" |
 
| width="50%" |
GRIF
+
GRIF with Nagios
 +
| width="50%" |
 +
Non validé
 +
|----
 +
|
 +
WNs
 +
| width="50%" |
 +
Check the processes running on each WN - that the needed processes (ntpd, pbs etc) are running, and that other things (rogue processes, stuck jobs) are not
 +
| width="50%" |
 +
 
 
| width="50%" |
 
| width="50%" |
 
Non validé
 
Non validé
Ligne 97: Ligne 96:
 
Host certificates expiring - make sure they get renewed in good time
 
Host certificates expiring - make sure they get renewed in good time
 
| width="50%" |
 
| width="50%" |
GRIF
+
 
 
| width="50%" |
 
| width="50%" |
 
Non validé
 
Non validé
Ligne 106: Ligne 105:
 
CRLs expiring - this can cause failures for certificates from a single CA, which can be hard to diagnose
 
CRLs expiring - this can cause failures for certificates from a single CA, which can be hard to diagnose
 
| width="50%" |
 
| width="50%" |
GRIF
+
 
 +
| width="50%" |
 +
Non validé
 +
|----
 +
|
 +
All nodes
 +
| width="50%" |
 +
Filesystem in ReadOnly Mode
 +
| width="50%" |
 +
GRIF with Nagios
 +
| width="50%" |
 +
Non validé
 +
|----
 +
|
 +
All nodes
 +
| width="50%" |
 +
Node crashes
 +
| width="50%" |
 +
GRIF with Nagios
 +
| width="50%" |
 +
Non validé
 +
|----
 +
|
 +
All nodes
 +
| width="50%" |
 +
Disks becoming full, or nearly so. In particular check that jobs are not filling /tmp, the home directories or other scratch space. Also check that disks don't run out of inodes
 +
| width="50%" |
 +
GRIF with Nagios
 
| width="50%" |
 
| width="50%" |
 
Non validé
 
Non validé

Version du 17:34, 25 mai 2009

Contacts (Mailing list)

LCG-SA1FR-MONITORING-L@IN2P3.FR mailing list : List managers : Christine Leroy (Irfu/CEA)

les membres du groupe: http://lcg.in2p3.fr/wiki/images/MembresOnly_v2.doc

Mandat du Groupe

Document consultable: https://edms.in2p3.fr/file/I-013168/2/LCG-France-SA1-FR_WGMonitoring.pdf

Le groupe de travail se chargera dans un délai de 6 mois :

  • collecter les besoins des responsables des sites et de services de la région,
  • recenser les pratiques des sites et les outils de monitoring utilisés,
  • représenter et défendre les intérêts de la région dans les différents groupes de travail existants au sein de WLCG-EGEE sur un sujet connexe (En cours de construction un Groupe EGEE: OAT)
  • identifier les standards qui doivent être suivis ainsi que les outils pertinents à tous les niveaux (services, site et région), proposer aux responsables des sites, des services grid et de l’opération régionale de la grille EGEE un ensemble d'outils répondant à leurs besoins,
  • proposer, si besoin, des améliorations sur les outils et procédures d’alertes au niveau des sites, au niveau de la région
  • établir, s’il y a lieu, un plan pour la poursuite de ses travaux au-delà de la période initiale des 6 premiers mois.

Toutes les propositions et recommandations devront a priori être cohérentes avec les orientations des projets EGEE et WLCG.

L'organisation et le mode de fonctionnement du groupe seront définis par le responsable du groupe et les membres eux-mêmes.

Réunions, Journées...

Infrastructure de monitoring

https://twiki.cern.ch/twiki/bin/view/EGEE/MsgServerDetails

Site Monitoring

ce qui doit être monitoré

Type de Noeuds

Type de test

Who + link URL

Validé par

WNs

NFS mounts failing - check that files can be written and read. In particular checking that the VO_[VONAME]_SW_DIR is readable.

GRIF with scripting

Non validé

WNs

ssh keys - some modes of operation require unchallenged ssh between WNs and the CE, or for MPI among the WNs. First simple check is to verify that the wn can copy back a file to the ce.

GRIF with Nagios

Non validé

WNs

Check the processes running on each WN - that the needed processes (ntpd, pbs etc) are running, and that other things (rogue processes, stuck jobs) are not

Non validé

All service nodes

Host certificates expiring - make sure they get renewed in good time

Non validé

All nodes

CRLs expiring - this can cause failures for certificates from a single CA, which can be hard to diagnose

Non validé

All nodes

Filesystem in ReadOnly Mode

GRIF with Nagios

Non validé

All nodes

Node crashes

GRIF with Nagios

Non validé

All nodes

Disks becoming full, or nearly so. In particular check that jobs are not filling /tmp, the home directories or other scratch space. Also check that disks don't run out of inodes

GRIF with Nagios

Non validé

Nagios

pour les graphes: http://nagiosgraph.sourceforge.net/

truc et astuces

Installation

Sondes nagios

Nagios et GridMonitoring

Repository du Projet:

Fabric : http://www.sysadmin.hep.ac.uk/svn/fabric-monitoring/

Grid_services: http://www.sysadmin.hep.ac.uk/rpms/egee-SA1/sl4 & external: http://linuxsoft.cern.ch/dag/redhat/el4/

Recuperer les resultats des Tests SAM: http://www.gridpp.ac.uk/wiki/Nagios_sam-query_Plugin

Manuel et tutorial:

https://twiki.cern.ch/twiki/bin/view/LCG/GridMonitoringNcg

https://twiki.cern.ch/twiki/bin/view/EGEE/GridMonitoringNcgYaimTutorial

Messaging system:

https://twiki.cern.ch/twiki/bin/view/LCG/MessagingSystemforGrid

Lemon

http://lemon.web.cern.ch/lemon/index.shtml

Lemon avec quattor: https://trac.lal.in2p3.fr/LCGQWG/wiki/QWG_lemon

CluMan: http://indico.twgrid.org/sessionDisplay.py?sessionId=29&slotId=0&confId=471#2008-10-21

Cacti

Monitoring réseau (SNMP) http://lcg.in2p3.fr/wiki/index.php/LCG-FR_/_SA1-FR_Monitoring_WG_CACTI

autres projets

Happy Face Project: http://www-ekp.physik.uni-karlsruhe.de/~happyface/HappyFace/

Gadget WEB

Un certain nombre de flux RSS et widgets sont disponibles:

exemple

en utilisant:

CMS

liste de Widgets disponible: [1]

Alice

liste de Flux RSS, disponible: [2]

Accounting

Flux RSS: http://goc-accounting.grid-support.ac.uk/rss/YOUR-SITE-NAME_ApelSync.xml

Monitoring de l'activité des VOs orienté site

Il s'agit d'un outil à destination des sites permettant de suivre l'état du site vis à vis de l'activité des VOs supportées. L'idée est de rassembler en un seul display (type Gridmap)l'ensemble des informations significatives collectées auprès des différents outils de monitoring spécifiques aux différentes VOs et publiées dans une base de données communes.

Services Grilles

FTS

CCIN2P3 RAL atlas RAL Ganglia

GridFtp

ICEPP

DPM

DPM monitoring by Gridpp

WMS

WMS monitoring by CNAF

Services VOs

LHC VOs

Experiment Dashboard

ALICE

* Monalisa monitoring:  http://pcalimonitor.cern.ch/ 
* Job Monitoring:  http://dashboard.cern.ch/alice/
* Daily reports:     http://dashb-alice.cern.ch/dashboard/data/
* Site efficiency :  http://dboard-gr.cern.ch/dashboard/data/summaries/

ATLAS

* Dashboard :  http://dashboard.cern.ch/atlas/
* Installation SW : https://atlas-install.roma1.infn.it/atlas_install/
* Bilan mensuel du nombre de jobs exécutés et de l'efficacité par site : http://dashb-atlas-job.cern.ch/dashboard/request.py/MonthlyReportIndex
* PanDA : http://gridinfo.triumf.ca/panglia. Il y a un URL par queue utilisée par les jobs de productions + 1 URL spécifique pour les queues utilisées par les jobs d'analyse (ANALY_xxx). Pour les jobs de productions
 

Le dashboard a tendance à remplacer les autres (excepté pour le suivi des installations). C'est le plus complet et le plus riche. Il permet en particulier d'obtenir la liste des jobs en erreur avec des informations détaillées sur l'erreur, le WN impliqué...


CMS

* site commissioning metrics : http://lhcweb.pic.es/cms/SiteCommissioningGlobalStatus_Sites.html
* Dashboard CMS (Starting Point) : http://arda-dashboard.cern.ch/cms/
 See instructions from Facility Operation team : https://twiki.cern.ch/twiki/bin/view/CMS/SAMChecklist
* Phedex monitoring tool for transfer activities : http://cmsweb.cern.ch/phedex/
* Widget CMS: http://iglezh.web.cern.ch/iglezh/widgets/
* Job Monitioring : http://dashboard.cern.ch/cms
* CRAB JobRobot summary : http://jobrobot.web.cern.ch/JobRobot/summary_071002.html
* CMS SAM Visualization : http://lxarda16.cern.ch/dashboard/request.py/latestresultsview
* CMS Site status board
* Site Commissionning board : http://lxarda16.cern.ch/dashboard/request.py/siteview?debug=1
* Link Commissioning Status : 
 T1-T2_FR downlinks
 T2_FR-T1 uplinks

LHCb

* Site status for LHCb usage : http://lhcb-project-dirac.web.cern.ch/lhcb-project-dirac/lhcbProdnMask.html
* Dashboard : http://dashboard.cern.ch/lhcb/
* Monitoring (job LHCb) : http://lhcbweb.pic.es/DIRAC/LHCb-Production/visitor/info/general/diracOverview

Infrastructure Grille

GridMap Prototype visualizing the "State" of the Grid

EGEE Monitoring Group (OAT)

Old one:

WLCG Monitoring Working groups

3 groups have been created. See https://twiki.cern.ch/twiki/bin/view/LCG/LCGMonitoringWorkingGroups The most active one is the Grid Service Monitoring group chaired by James Casey and Ian Neilson (FC)

Open GGUS Tickets assigned to ROC-France