241 lines
9.0 KiB
Markdown
241 lines
9.0 KiB
Markdown
# RUNBOOK-OLLAMA-FAILOVER.md
|
||
# Ollama 容災監控 Runbook
|
||
# 2026-04-26 P2.3 by Claude Sonnet 4.6 (tool-expert)
|
||
# 對應告警規則: ops/monitoring/ollama_health_rules.yaml
|
||
# 對應 Dashboard: ops/monitoring/grafana/dashboards/ollama_failover.json
|
||
|
||
---
|
||
|
||
## Grafana Dashboard 使用說明
|
||
|
||
Dashboard 路徑：`Ollama 容災監控`（uid: `ollama-failover-p23`）
|
||
匯入方式：Grafana UI → Dashboards → Import → Upload JSON file → 選 `ops/monitoring/grafana/dashboards/ollama_failover.json`
|
||
|
||
### Panel 1 — Ollama 可用性 (Stat)
|
||
|
||
**看什麼**：`up{job=~"ollama_gcp_a|ollama_gcp_b|ollama_local|ollama_111"}` × 100，顯示每個 Ollama provider endpoint 的 scrape 存活狀態。
|
||
|
||
| 顏色 | 意義 |
|
||
|------|------|
|
||
| 綠色 100% | Prometheus 探測正常，主機在線 |
|
||
| 黃色 | 部分 endpoint 離線，系統應進入容災 |
|
||
| 紅色 0% | Ollama provider pool 全離線，高風險 |
|
||
|
||
**注意**：此面板反映 Prometheus scrape 狀態，需要 scrape job 命名對齊 `ollama_gcp_a` / `ollama_gcp_b` / `ollama_local`。
|
||
設定檔位於 `ops/monitoring/generated/prometheus-scrape-generated.yaml`。
|
||
|
||
---
|
||
|
||
### Panel 2 — 推理延遲 P50 / P99 (Time Series)
|
||
|
||
**看什麼**：推理延遲分位數。
|
||
|
||
| 門檻 | 含義 |
|
||
|------|------|
|
||
| < 10s (P50) | HEALTHY — 正常使用 111 |
|
||
| 10–30s (P50) | SLOW — 系統已切至 Gemini |
|
||
| > 30s (P99) | DEGRADED — 應觸發 failover |
|
||
|
||
**⚠️ BACKLOG 警告**：`ollama_inference_duration_seconds_bucket` 尚未在 API 暴露（需在 `_check_inference()` 加 Histogram.observe()）。
|
||
面板顯示 "No Data" 是正常的，等 backlog 補完後啟用。
|
||
|
||
---
|
||
|
||
### Panel 3 — AI Provider 路由分布 (Pie Chart)
|
||
|
||
**看什麼**：過去 5 分鐘各 provider 被選中的請求比例。
|
||
|
||
| 分布 | 意義 |
|
||
|------|------|
|
||
| ollama / ollama_gcp_a 佔 >90% | 正常，GCP-A 健康 |
|
||
| ollama_gcp_b 佔多數 | GCP-A SLOW/DEGRADED/OFFLINE，容災到 GCP-B |
|
||
| ollama_local 出現 | GCP-A/B 均不可用，容災到 111 local |
|
||
| gemini 佔多數 | Ollama provider pool 全部不可用，使用付費備援 |
|
||
| 全部 nemotron/claude | 極端情況，所有主力 provider 失敗 |
|
||
|
||
---
|
||
|
||
### Panel 4 — Failover / Recovery 觸發次數 (Bar Chart)
|
||
|
||
**看什麼**：每小時 failover（橘）和 recovery（綠）的觸發次數。
|
||
|
||
| 模式 | 意義 |
|
||
|------|------|
|
||
| 兩條都接近 0 | 正常，111 穩定運行中 |
|
||
| 橘色上升後綠色跟上 | Auto recovery 正常：切出後又切回 |
|
||
| 橘色上升，綠色不動 | **`OllamaRecoveryStuck` alert**，見下方 runbook |
|
||
| 橘色持續高頻（>5/h） | **`OllamaFailoverFrequent` alert**，111 不穩定 |
|
||
|
||
---
|
||
|
||
## Alert Runbook
|
||
|
||
### `OllamaInstanceDown` — Ollama 主機離線
|
||
|
||
**觸發條件**：`up{job=~"ollama_gcp_a|ollama_gcp_b|ollama_local|ollama_111"} == 0` 持續 2 分鐘。
|
||
|
||
**影響評估**：
|
||
- 系統應已依序切至 GCP-B / 111 local / Gemini（查 Panel 3 確認）
|
||
- 查 Panel 4 是否有 Failover 計數上升
|
||
|
||
**排查步驟**：
|
||
|
||
```bash
|
||
# 步驟 1：確認主機存活
|
||
ping -c 3 192.168.0.111
|
||
|
||
# 步驟 2：SSH 進主機確認 ollama 服務狀態
|
||
ssh wooo@192.168.0.111 'systemctl status ollama'
|
||
|
||
# 步驟 3：查 ollama 最近的 journal log
|
||
ssh wooo@192.168.0.111 'journalctl -u ollama -n 50 --no-pager'
|
||
|
||
# 步驟 4：確認 GPU 記憶體（111 是 GPU 主機）
|
||
ssh wooo@192.168.0.111 'nvidia-smi'
|
||
|
||
# 步驟 5：如果服務掛了，重啟
|
||
ssh wooo@192.168.0.111 'systemctl restart ollama'
|
||
# 等 30s，確認服務啟動
|
||
ssh wooo@192.168.0.111 'systemctl status ollama'
|
||
```
|
||
|
||
**恢復確認**：
|
||
Panel 1 變綠色，Panel 4 出現 Recovery 計數上升，表示 auto recovery 已觸發切回。
|
||
|
||
---
|
||
|
||
### `OllamaFailoverFrequent` — Failover 頻率過高
|
||
|
||
**觸發條件**：`rate(ollama_failover_triggered_total[1h]) > 5` 持續 10 分鐘（每小時超過 5 次切換）。
|
||
|
||
**影響評估**：
|
||
- 服務本身仍可用（Gemini 在接手）
|
||
- 但 Gemini 配額消耗加速，有觸發 `GeminiQuotaApproaching` 的風險
|
||
|
||
**排查步驟**：
|
||
|
||
```bash
|
||
# 步驟 1：確認 111 近況（反覆 OFFLINE/HEALTHY 之間跳動？）
|
||
ssh wooo@192.168.0.111 'nvidia-smi --query-gpu=utilization.gpu,memory.used,memory.total --format=csv'
|
||
|
||
# 步驟 2：查 API log 找 failover 原因
|
||
kubectl logs -n awoooi-prod deploy/api --since=30m | grep "ollama_failover_triggered"
|
||
|
||
# 步驟 3：查推理延遲（是否長期在 SLOW 邊界？）
|
||
kubectl logs -n awoooi-prod deploy/api --since=30m | grep "ollama_health_checked"
|
||
|
||
# 步驟 4：如果是 GPU 記憶體問題，清除 model cache
|
||
ssh wooo@192.168.0.111 'systemctl restart ollama'
|
||
```
|
||
|
||
---
|
||
|
||
### `OllamaRecoveryStuck` — Auto Recovery 停滯
|
||
|
||
**觸發條件**：`ollama_health_status{host="111"} == 1 AND ollama_current_primary_is_ollama == 0` 持續 5 分鐘。
|
||
（111 已 HEALTHY 但路由仍走 Gemini）
|
||
|
||
**影響評估**：
|
||
- API 功能正常（Gemini 在服務）
|
||
- 但 Gemini 配額持續消耗，111 GPU 資源浪費
|
||
|
||
**排查步驟**：
|
||
|
||
```bash
|
||
# 步驟 1：確認 OllamaAutoRecoveryService 是否在運行
|
||
kubectl logs -n awoooi-prod deploy/api --since=10m | grep "ollama_auto_recovery"
|
||
|
||
# 步驟 2：查 recovery service 狀態
|
||
kubectl logs -n awoooi-prod deploy/api --since=10m | grep -E "ollama_auto_recovery_started|ollama_auto_recovery_stopped|ollama_auto_recovery_loop_error"
|
||
|
||
# 步驟 3：查 current_primary Redis key
|
||
kubectl exec -n awoooi-prod deploy/api -- python -c "
|
||
import asyncio
|
||
from src.core.redis_client import get_redis
|
||
async def check():
|
||
r = get_redis()
|
||
val = await r.get('ollama:current_primary')
|
||
print('current_primary:', val)
|
||
asyncio.run(check())
|
||
"
|
||
|
||
# 步驟 4：如果 recovery service 掛了，重啟 API pod（會重新啟動 lifespan）
|
||
kubectl rollout restart deployment/api -n awoooi-prod
|
||
kubectl rollout status deployment/api -n awoooi-prod
|
||
```
|
||
|
||
---
|
||
|
||
### `GeminiQuotaApproaching` — Gemini 配額 >80%
|
||
|
||
**觸發條件**：`gemini_daily_call_count / gemini_daily_quota > 0.8` 持續 5 分鐘。
|
||
|
||
**注意**：`gemini_daily_quota` 來自 `settings.GEMINI_DAILY_QUOTA`（預設 1000）。
|
||
`gemini_daily_call_count` 從 Redis key `ollama:gemini_daily_count:{YYYY-MM-DD}` 讀取並刷新 Gauge。
|
||
|
||
**影響評估**：
|
||
- 當日 Gemini 配額即將耗盡
|
||
- 耗盡後系統會自動切至 188 CPU-only 備援（qwen2.5:7b-instruct），速度較慢
|
||
|
||
**行動步驟**：
|
||
|
||
```bash
|
||
# 步驟 1：確認當日 Gemini 使用量
|
||
kubectl exec -n awoooi-prod deploy/api -- python -c "
|
||
import asyncio, datetime
|
||
from src.core.redis_client import get_redis
|
||
async def check():
|
||
r = get_redis()
|
||
today = datetime.date.today().isoformat()
|
||
val = await r.get(f'ollama:gemini_daily_count:{today}')
|
||
print(f'gemini_daily_count[{today}]:', val)
|
||
asyncio.run(check())
|
||
"
|
||
|
||
# 步驟 2：確認 111 是否能快速恢復（讓流量切回 Ollama）
|
||
ssh wooo@192.168.0.111 'systemctl status ollama && nvidia-smi'
|
||
|
||
# 步驟 3：如需增加配額，修改 settings
|
||
# k8s/awoooi-prod/04-configmap.yaml.patch-* 找 GEMINI_DAILY_QUOTA
|
||
# 改完後 kubectl apply + rollout restart
|
||
|
||
# 步驟 4：緊急手動重置計數（謹慎使用，只在確認誤計時才用）
|
||
# kubectl exec -n awoooi-prod deploy/api -- redis-cli DEL "ollama:gemini_daily_count:$(date +%Y-%m-%d)"
|
||
```
|
||
|
||
---
|
||
|
||
## Metric 清單
|
||
|
||
| Metric | 類型 | 狀態 | 說明 |
|
||
|--------|------|------|------|
|
||
| `up{job="ollama_gcp_a"}` | Gauge | ✅ 現有 | Prometheus scrape 存活 |
|
||
| `up{job="ollama_gcp_b"}` | Gauge | ✅ 現有 | Prometheus scrape 存活 |
|
||
| `up{job="ollama_local"}` | Gauge | ✅ 現有 | Prometheus scrape 存活 |
|
||
| `ollama_failover_triggered_total` | Counter | ✅ P2.3 補入 | failover 切換次數，labels: from_provider, to_provider |
|
||
| `ollama_recovery_triggered_total` | Counter | ✅ P2.3 補入 | recovery 切回次數，labels: from_provider |
|
||
| `ollama_health_status{host}` | Gauge | ✅ P2.3 補入 | 健康狀態 1=healthy, 0=not_healthy |
|
||
| `ollama_current_primary_is_ollama` | Gauge | ✅ P2.3 補入 | 1=primary 是 ollama, 0=failover 中 |
|
||
| `ai_router_selected_provider_total` | Counter | ✅ P2.3 補入 | AI router 選擇次數，labels: provider |
|
||
| `gemini_daily_call_count` | Gauge | ✅ P2.3 補入 | 今日 Gemini 呼叫次數 |
|
||
| `gemini_daily_quota` | Gauge | ✅ P2.3 補入 | Gemini 每日配額 |
|
||
| `ollama_inference_duration_seconds` | Histogram | ⏳ BACKLOG | 推理延遲分布，需在 `_check_inference()` 加 observe |
|
||
| `post_execution_verification_total` | Counter | ⏳ BACKLOG | Verifier 執行次數，需 auto_repair_service.py 補入 |
|
||
| `post_execution_verification_failed_total` | Counter | ⏳ BACKLOG | Verifier 失敗次數，需 auto_repair_service.py 補入 |
|
||
|
||
## Backlog 補完指引
|
||
|
||
### `ollama_inference_duration_seconds`
|
||
|
||
在 `apps/api/src/services/ollama_health_monitor.py` 的 `_check_inference()` 方法結尾，加：
|
||
|
||
```python
|
||
from src.core.metrics import OLLAMA_INFERENCE_DURATION # 需先在 metrics.py 加 Histogram
|
||
OLLAMA_INFERENCE_DURATION.labels(host=host_label).observe(latency_ms / 1000)
|
||
```
|
||
|
||
### `post_execution_verification_*`
|
||
|
||
在 `apps/api/src/services/auto_repair_service.py` 的 verifier 路徑，加 Counter inc()。
|
||
需先確認 verifier 執行點（grep `post_execution` 或 `verif` 找入口）。
|