一、背景概述

在计算任务运行过程中，除芯片故障外，往往需要关注芯片的网络和算力使用情况，以便确认任务运行过程中的性能瓶颈，找到提升任务性能的方向。MindCluster提供了部署在计算节点的NPU Exporter组件，用于上报从驱动中获取到的芯片、网络的各项数据信息。

二、组件上下游依赖

NPU Exporter逻辑接口如下图所示：

① 从驱动中获取芯片以及网络信息，并放入本地缓存

② 从K8s标准化接口CRI中获取容器信息，并放入本地缓存

③ 实现Prometheus或者Telegraf的接口，供二者周期性获取缓存中的数据信息

1、NPU Exporter与下游接口dcmi/hccn tool对接

代码链接如下：

https://gitcode.com/Ascend/mind-cluster/blob/master/component/npu-exporter/collector/metrics/collector_for_npu.go

1）初始化

这段代码实现的功能是：初始化错误码指标描述符（80~83）；初始化容器相关标签（85~88）；序列号相关指标（90~93）；NPU名称指标（95~98）

2）chipCache结构体

这段代码实现的功能是：缓存单个NPU芯片的采集数据，避免重复采集。采集的数据包括：芯片健康状态、芯片错误码列表、AI核心利用率、整体利用率、矢量核心利用率、温度、功耗、电压、AI核心当前频率、网络健康状态、进程信息

3）BaseInfoCollector收集器主体

这段代码实现的功能是：结构体定义，继承通用的指标收集器适配器

这段代码的功能是：向Prometheus声明本收集器提供的所有指标

这段代码实现的功能是：采集核心数据，包括：采集频率信息、温度信息、电压信息、错误码信息、创建缓存对象（188~195）、采集功耗、利用率、网络状态、进程信息

这段代码实现的功能是：更新各项指标，包括：获取容器信息（225~226）、更新各项指标到Prometheus（227~228）、更新容器信息、进程信息、错误码信息、序列号信息、框架、机器NPU数量指标

2、NPU Exporter与下游接口CRI对接

代码链接如下：

https://gitcode.com/Ascend/mind-cluster/blob/master/component/npu-exporter/collector/container/runtime_ops.go

1）初始化

该段代码实现的功能有：将非root用户权限提升到root权限（102~117）；检查socket文件权限（118~1121）；初始化客户端连接（123~125）

2）客户端初始化

这段代码实现的功能有：建立连接（134）；重试备用地址（135~143）；创建具体客户端（144~154）

3）GetContainers方法

这段代码实现的功能有：类型断言和版本适配（219~226）；isula客户端处理（227~229）

4）版本兼容性处理

该段代码实现的功能有：检查gRPC状态错误（239~242）；检查错误字符串（243~246）

3、NPU Exporter与上游接口Prometheus或者Telegraf对接

与Prometheus对接代码链接如下：

https://gitcode.com/Ascend/mind-cluster/blob/master/component/npu-exporter/platforms/prom/prometheus_collector.go

1）核心结构体定义

这个结构体实现的功能是：Prometheus收集器的主要入口点

2）构造函数

这段代码实现的功能是：创建Prometheus收集器实例

3）Prometheus接口实现（Describe方法）

这段代码实现的功能是：向Prometheus描述所有可能的指标（指标的元数据）

4）Prometheus接口实现（Collect方法）

这段代码实现的功能是：收集当前的指标数据并发送给Prometheus

与Telegraf对接代码链接如下：

https://gitcode.com/Ascend/mind-cluster/blob/master/component/npu-exporter/platforms/inputs/npu/npu.go

1）WatchNPU结构体

这个结构体实现了Telegraf的Input接口，包含一个NPU收集器实例，负责实际的数据收集工作

2）Telegraf插件接口实现

Gather函数是接口实现的核心代码，他实现的功能有：准备数据存储结构（51~52）；确定设备标签值（54~60）；配置动态日志（61）；获取容器NPU信息和芯片列表（63~64）；通过不同收集链收集数据（66~68）；添加通用设备指标（70~71）；处理具体设备指标（74~84）