Skylark数据采集模块实战：如何实时监控主机与虚拟机资源

【免费下载链接】skylarkSkylark is a next-generation QoS-aware scheduler which provides coordinated resource scheduling for co-located applications with different QoS requirements. Typical applications are VM and Container. The architecture is highly scalable, so it's easy to be extended to support new types of applications and resources in the future.项目地址: https://gitcode.com/openeuler/skylark

前往项目官网免费下载：https://ar.openeuler.org/ar/

Skylark作为新一代QoS感知的资源调度器，其数据采集模块是实现高效资源调度的核心基础。本文将深入探讨Skylark数据采集模块的工作原理和实战应用，帮助您掌握实时监控主机与虚拟机资源的关键技术。Skylark数据采集模块通过精细化的资源监控机制，为不同QoS要求的混部业务提供精准的资源调度支持，是构建高性能计算环境的重要组件。

🔍 Skylark数据采集模块架构解析

Skylark的数据采集模块位于data_collector/目录下，是整个调度系统的"眼睛"和"耳朵"。该模块主要负责实时收集主机和虚拟机的资源使用情况，为后续的QoS分析和控制提供数据支撑。

核心组件构成

数据采集模块主要由以下几个关键文件组成：

• 主控制器：datacollector.py - 数据采集的总协调器
• 主机信息采集：hostinfo.py - 监控物理主机资源状态
• 虚拟机信息采集：guestinfo.py - 监控虚拟机运行状态
• 硬件寄存器访问：msrlibrary.py - 访问CPU性能计数器

双轨数据采集机制

Skylark采用独特的主机-虚拟机双轨数据采集机制：

1. 静态信息采集- 在系统启动时收集不变的硬件配置信息
2. 动态信息更新- 周期性更新变化的资源使用数据

🚀 主机资源监控实战指南

CPU拓扑结构探测

Skylark的数据采集模块首先会探测主机的CPU拓扑结构，这是资源调度的基础。通过HostTopology类，系统能够准确识别：

• CPU核心数量及其物理分布
• NUMA节点架构信息
• 处理器封装（Package）关系

# 主机拓扑结构初始化 self.host_info.set_host_base_attribute()

性能计数器实时读取

通过MSR（Model Specific Registers）寄存器，Skylark能够实时读取CPU的性能数据：

• APERF/MPERF计数器- 测量CPU实际运行频率
• RAPL（Running Average Power Limit）- 监控CPU功耗
• Turbo Boost状态- 检测CPU动态加速情况

功耗监控实现

当启用功耗管理功能时，数据采集模块会额外收集：

• CPU基础频率和TDP（热设计功耗）
• 能耗单位转换系数
• 实时功耗数据

🖥️ 虚拟机资源监控深度解析

Libvirt集成监控

Skylark通过Libvirt API与虚拟化层交互，实现对虚拟机的精细监控：

# 获取所有运行中的虚拟机 self.domain_online = conn.listAllDomains(flags=libvirt.VIR_CONNECT_LIST_DOMAINS_ACTIVE)

虚拟机CPU使用率计算

数据采集模块采用差值法计算虚拟机的CPU使用率：

# CPU使用率计算公式 cpu_usage = (current_cpu_time - last_cpu_time) / time_delta

这种方法能够准确反映虚拟机在采样周期内的实际CPU占用情况。

优先级分类管理

Skylark支持虚拟机优先级分类：

• 高优先级虚拟机- 关键业务负载
• 低优先级虚拟机- 后台任务负载

通过Cgroup路径识别，系统能够区分不同优先级的虚拟机并进行差异化管理。

⚙️ 数据采集流程详解

初始化阶段

在Skylark主程序 skylark.py 中，数据采集模块的初始化流程如下：

def init_data_collector(self): self.data_collector.set_static_base_info() self.data_collector.update_base_info(self.vir_conn) if os.getenv("POWER_QOS_MANAGEMENT", "false").lower() == "true": self.data_collector.set_static_power_info()

周期性更新机制

数据采集模块按照固定周期（默认1秒）更新资源信息：

def __do_power_manage(self): self.data_collector.update_base_info(self.vir_conn) self.data_collector.update_power_info()

🔧 实战配置与优化技巧

环境变量配置

通过/etc/sysconfig/skylarkd配置文件，可以调整数据采集行为：

# 启用功耗管理 POWER_QOS_MANAGEMENT=true # 调整采集频率（通过调度器配置）

性能优化建议

1. MSR访问优化- 确保/dev/cpu/*/msr设备文件权限正确
2. Libvirt连接优化- 使用合适的连接URI提高监控效率
3. 采样频率调整- 根据业务负载调整数据采集频率

故障排查指南

常见问题及解决方案：

• 虚拟机监控失败- 检查Libvirt连接状态和权限
• CPU数据读取异常- 验证MSR驱动是否正确加载
• 功耗数据缺失- 确认CPU是否支持RAPL功能

📊 数据流向与后续处理

采集到的数据会流向两个关键模块：

1. QoS分析模块(qos_analyzer/) - 分析资源使用模式
2. QoS控制模块(qos_controller/) - 执行资源调度决策

这种数据驱动的架构确保了资源调度的实时性和准确性。

🎯 最佳实践总结

部署建议

1. 硬件要求- 确保CPU支持必要的性能监控功能
2. 软件依赖- 正确安装Libvirt和MSR驱动
3. 权限配置- 设置适当的系统权限和Cgroup配置

监控指标选择

根据业务需求选择合适的监控指标：

• 计算密集型应用- 重点关注CPU频率和利用率
• 能效敏感场景- 启用功耗监控功能
• 混合负载环境- 综合监控所有资源指标

扩展性考虑

Skylark数据采集模块的设计具有良好的扩展性：

• 支持新型硬件监控功能的快速集成
• 可扩展的虚拟机监控接口
• 模块化的数据采集架构

💡 未来发展方向

随着硬件技术的不断发展，Skylark数据采集模块也在持续演进：

1. GPU资源监控- 支持GPU使用率监控
2. 存储IO监控- 集成存储性能数据采集
3. 网络带宽监控- 增强网络资源监控能力
4. 容器监控集成- 扩展对容器化应用的支持

通过本文的详细解析，您应该已经掌握了Skylark数据采集模块的核心原理和实战应用技巧。这个模块作为Skylark调度系统的数据基础，为构建高效的混部环境提供了坚实的技术支撑。无论是虚拟化环境还是容器化部署，Skylark的数据采集能力都能帮助您实现资源的精细化管理。

记住，有效的资源监控是优化资源利用率的第一步。通过Skylark强大的数据采集功能，您可以真正实现"看得见、管得着"的资源管理目标，为业务提供稳定可靠的运行环境。

【免费下载链接】skylarkSkylark is a next-generation QoS-aware scheduler which provides coordinated resource scheduling for co-located applications with different QoS requirements. Typical applications are VM and Container. The architecture is highly scalable, so it's easy to be extended to support new types of applications and resources in the future.项目地址: https://gitcode.com/openeuler/skylark