首页/产品/集群监控
APP-03 已交付 · V1.0

算力集群调度与监控管理系统

CLUSTER OPERATIONS & MONITORING

面向运维人员的 Web 后台与可视化大屏:节点与卡级监控、任务队列、告警工单闭环、计量报表。需求规格、概要详细设计、用户手册、源代码全套交付。

11功能章节
单卡级监控粒度
50ms故障感知
全套设计文档

它解决什么

监控看板只给老板看,运维用不上。大屏漂亮,但运维要的是「这台机器的第 3 号卡昨天下午为什么降频」,大屏上点不到。

告警响了没人管,管了没记录。微信群刷屏式告警,谁处理的、什么时候处理的、有没有复发,全在脑子里。

功能构成

监控与总览4 项

  • 集群总览:卡数、可调度、利用率、告警态势一屏
  • 节点管理:节点列表与单节点详情,卡位图对应物理槽位
  • 卡级指标:利用率、显存、温度、功耗、风扇、降频事件
  • 存储与网络:本地盘、远端存储、网卡与 IB 端口状态

任务与调度4 项

  • 提交与排队:作业提交、队列查看、优先级调整
  • 运行态:日志查看、暂停 / 重启 / 终止
  • 调度策略配置:管理员可调策略,改动留痕
  • 故障标记与隔离:坏卡从界面直接摘除

告警与报表4 项

  • 告警中心:等级定义、规则自定义、通知通道配置
  • 工单闭环:认领、处理、复核、归档四态可追
  • 报表:资源使用统计、算力账单导出、历史趋势对比
  • 审计:操作日志可查,敏感操作强制留痕

技术规格

形态Web 运维后台 + 全景可视化大屏
文档需求规格说明书、系统设计说明书(概要 + 详细)、用户手册、源代码文档
功能范围仪表盘 / 节点监控 / 租户配额 / 任务调度 / 告警管理 / 报表 / 系统配置
浏览器Chrome / Edge 现代版本,支持 1920 大屏与常规办公分辨率
权限模型管理员 / 租户 / 只读三类角色,分级授权

交付与验收

交付物源码、数据库脚本、部署文档、用户手册、全套设计文档
验收口径按需求规格逐条验收;告警可闭环、报表可与计量对账
报价逻辑按机房规模分档,含部署实施与运维培训
这套系统的文档比很多同行的产品还厚——不是为了评审好看,是因为机房交接那天,接手的人只能靠文档活下去。