Published on

KI-Server-Monitoring: Prometheus, Grafana und DCGM

Authors

Monitoring: Das Auge des KI-Administrators

Ein KI-Server ohne Monitoring ist wie ein Auto ohne Tacho — man sieht nicht wann etwas kritisch wird.

Die Monitoring-Stack-Komponenten

|| Komponente | Zweck | ||---|---| || Prometheus | Metriken-Sammlung | || Grafana | Visualisierung & Alerts | || DCGM Exporter | GPU-Metriken (Temp, Memory, Util) | || Node Exporter | System-Metriken (CPU, RAM, Disk) | || cAdvisor | Container-Metriken | || Blackbox Exporter | HTTP-Health-Checks |

Docker Compose: Vollständiger Monitoring-Stack

version: '3.8'
services:
  # Prometheus: Metriken-Sammlung
  prometheus:
    image: prom/prometheus:latest
    volumes:
      - ./prometheus.yml:/etc/prometheus/prometheus.yml
      - prometheus_data:/prometheus
    ports:
      - "9090:9090"

  # Grafana: Visualisierung
  grafana:
    image: grafana/grafana:latest
    ports:
      - "3000:3000"
    volumes:
      - grafana_data:/var/lib/grafana

  # DCGM: GPU-Metriken
  dcgm-exporter:
    image: nvcr.io/nvidia/k8s/dcgm-exporter:latest
    runtime: nvidia
    ports:
      - "9400:9400"

  # Node Exporter: System-Metriken
  node-exporter:
    image: prom/node-exporter:latest
    pid: host
    volumes:
      - /proc:/host/proc:ro
      - /sys:/host/sys:ro

  # cAdvisor: Container-Metriken
  cadvisor:
    image: gcr.io/cadvisor/cadvisor:latest
    volumes:
      - /:/rootfs:ro
      - /var/run:/var/run:ro

volumes:
  prometheus_data:
  grafana_data:

Wichtige Metriken

|| Metrik | Alert-Level | Bedeutung | ||---|---|---| || GPU Temperature >85°C | ⚠️ Warnung | Kühlung prüfen | || GPU Utilization <10% | ⚠️ Warnung | Keine Anfrage? | || GPU Memory >90% | 🔴 Kritisch | OOM-Risiko | || API Latenz >5s | ⚠️ Warnung | Modell zu groß? | || API Error Rate >5% | 🔴 Kritisch | System-Probleme |

Grafana Dashboards

|| Dashboard | URL | Zeigt | ||---|---|---| || DCGM Exporter | Import-ID: 12236 | GPU-Temperatur, Memory, Util | || Node Exporter Full | Import-ID: 1860 | CPU, RAM, Disk, Network | || Docker Container | Import-ID: 13506 | Container Health, Restart |

Alerting

# prometheus/alert_rules.yml
groups:
  - name: ki-server-alerts
    rules:
      - alert: GPUP过热
        expr: dcgm_gpu_temp > 85
        for: 5m
        annotations:
          summary: "GPU überhitzt"
          description: "GPU {{ $labels.gpu }} Temperatur: {{ $value }}°C"

      - alert: APIHighLatency
        expr: http_request_duration_seconds > 5
        for: 2m
        annotations:
          summary: "Hohe API-Latenz"
          description: "Latenz >5s für {{ $labels.job }}"

Fazit

Monitoring kostet keine €0 und verhindert die meisten Ausfälle. Der Setup kostet ~4h — die Ersparnis bei vermiedenen Ausfällen ist unschätzbar.

👉 KI-Server Guide 👉 Pexon Consulting: Enterprise Monitoring

📖 Verwandte Artikel

Weitere interessante Beiträge zu ähnlichen Themen

Bereit für KI im Mittelstand?

Nutzen Sie unsere 10 kostenlosen KI-Tools und Praxis-Guides – oder sprechen Sie direkt mit unseren Experten.

Pexon Consulting – KI-Beratung für den Mittelstand | Scaly Academy – Geförderte KI-Weiterbildung (KI-Spezialist, KI-Experte, Workflow-Automatisierung)