ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ- ലോഗോAI/ML വർക്ക്ലോഡുകൾക്കായി ജൂനോസിലെ ടെലിമെട്രി
രചയിതാവ്: ശാലിനി മുഖർജി

ആമുഖം

AI ക്ലസ്റ്റർ ട്രാഫിക്കിന് ഉയർന്ന ത്രൂപുട്ടും കുറഞ്ഞ ലേറ്റൻസിയുമുള്ള നഷ്ടമില്ലാത്ത നെറ്റ്‌വർക്കുകൾ ആവശ്യമുള്ളതിനാൽ, AI നെറ്റ്‌വർക്കിൻ്റെ ഒരു നിർണായക ഘടകം മോണിറ്ററിംഗ് ഡാറ്റയുടെ ശേഖരണമാണ്. തിരക്ക് നിയന്ത്രിക്കുന്നതിനും ട്രാക് ലോഡ് ബാലൻസിംഗിനുമുള്ള ത്രെഷോൾഡുകളും കൗണ്ടറുകളും ഉൾപ്പെടെ പ്രധാന പ്രകടന സൂചകങ്ങളുടെ ഗ്രാനുലാർ മോണിറ്ററിംഗ് ജുനോസ് ടെലിമെട്രി പ്രാപ്തമാക്കുന്നു. gRPC സെഷനുകൾ ടെലിമെട്രി ഡാറ്റ സ്ട്രീമിംഗ് പിന്തുണയ്ക്കുന്നു. gRPC എന്നത് HTTP/2 ട്രാൻസ്‌പോർട്ടിൽ നിർമ്മിച്ച ഒരു ആധുനിക ഓപ്പൺ സോഴ്‌സ്, ഉയർന്ന പ്രകടന ചട്ടക്കൂടാണ്. ഇത് നേറ്റീവ് ദ്വിദിശ സ്ട്രീമിംഗ് കഴിവുകളെ ശക്തിപ്പെടുത്തുകയും അഭ്യർത്ഥന തലക്കെട്ടുകളിൽ ഫ്ലെക്സിബിൾ ഇഷ്‌ടാനുസൃത-മെറ്റാഡാറ്റ ഉൾപ്പെടുത്തുകയും ചെയ്യുന്നു. ടെലിമെട്രിയിലെ പ്രാരംഭ ഘട്ടം എന്തെല്ലാം ഡാറ്റയാണ് ശേഖരിക്കേണ്ടതെന്ന് അറിയുക എന്നതാണ്. അതിനുശേഷം നമുക്ക് ഈ ഡാറ്റ വിവിധ ഫോർമാറ്റുകളിൽ വിശകലനം ചെയ്യാം. ഞങ്ങൾ ഡാറ്റ ശേഖരിച്ചുകഴിഞ്ഞാൽ, അത് നിരീക്ഷിക്കാനും തീരുമാനങ്ങൾ എടുക്കാനും നൽകുന്ന സേവനം മെച്ചപ്പെടുത്താനും എളുപ്പമുള്ള ഒരു ഫോർമാറ്റിൽ അവതരിപ്പിക്കേണ്ടത് പ്രധാനമാണ്. ഈ പേപ്പറിൽ, Telegraf, InfluxDB, Grafana എന്നിവ അടങ്ങുന്ന ഒരു ടെലിമെട്രി സ്റ്റാക്ക് ഞങ്ങൾ ഉപയോഗിക്കുന്നു. ഈ ടെലിമെട്രി സ്റ്റാക്ക് ഒരു പുഷ് മോഡൽ ഉപയോഗിച്ച് ഡാറ്റ ശേഖരിക്കുന്നു. പരമ്പരാഗത പുൾ മോഡലുകൾ റിസോഴ്‌സ്-ഇൻ്റൻസീവ് ആണ്, സ്വമേധയാ ഇടപെടൽ ആവശ്യമാണ്, അവ ശേഖരിക്കുന്ന ഡാറ്റയിൽ വിവര വിടവുകൾ ഉൾപ്പെടുത്താം. ഡാറ്റ അസമന്വിതമായി വിതരണം ചെയ്യുന്നതിലൂടെ പുഷ് മോഡലുകൾ ഈ പരിമിതികളെ മറികടക്കുന്നു. ഉപയോക്തൃ സൗഹൃദം ഉപയോഗിച്ച് അവർ ഡാറ്റ സമ്പന്നമാക്കുന്നു tags പേരുകളും. ഡാറ്റ കൂടുതൽ വായിക്കാനാകുന്ന ഫോർമാറ്റിൽ ആയിക്കഴിഞ്ഞാൽ, ഞങ്ങൾ അത് ഒരു ഡാറ്റാബേസിൽ സംഭരിക്കുകയും ഒരു ഇൻ്ററാക്ടീവ് വിഷ്വലൈസേഷനിൽ ഉപയോഗിക്കുകയും ചെയ്യുന്നു web നെറ്റ്‌വർക്ക് വിശകലനം ചെയ്യുന്നതിനുള്ള അപേക്ഷ. ചിത്രം. 1 ഈ സ്റ്റാക്ക് എങ്ങനെ കാര്യക്ഷമമായ ഡാറ്റ ശേഖരണത്തിനും സംഭരണത്തിനും ദൃശ്യവൽക്കരണത്തിനും വേണ്ടി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നുവെന്ന് കാണിക്കുന്നു, നെറ്റ്‌വർക്ക് ഉപകരണങ്ങൾ കളക്ടറിലേക്ക് ഡാറ്റ തള്ളുന്നത് മുതൽ വിശകലനത്തിനായി ഡാഷ്‌ബോർഡുകളിൽ പ്രദർശിപ്പിക്കുന്ന ഡാറ്റ വരെ.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജുനൈപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - ജുനോസിൽ

TIG സ്റ്റാക്ക്

TIG സ്റ്റാക്ക് ഉൾപ്പെടെ എല്ലാ സോഫ്റ്റ്‌വെയറുകളും ഇൻസ്റ്റാൾ ചെയ്യാൻ ഞങ്ങൾ ഒരു ഉബുണ്ടു സെർവർ ഉപയോഗിച്ചു.

ടെലിഗ്രാഫ്
ഡാറ്റ ശേഖരിക്കുന്നതിന്, 22.04.2 പ്രവർത്തിക്കുന്ന ഒരു ഉബുണ്ടു സെർവറിൽ ഞങ്ങൾ ടെലിഗ്രാഫ് ഉപയോഗിക്കുന്നു. ഈ ഡെമോയിൽ പ്രവർത്തിക്കുന്ന ടെലിഗ്രാഫ് പതിപ്പ് 1.28.5 ആണ്.
അളവുകൾ ശേഖരിക്കുന്നതിനും റിപ്പോർട്ടുചെയ്യുന്നതിനുമുള്ള ഒരു പ്ലഗിൻ ഡ്രൈവ് സെർവർ ഏജൻ്റാണ് ടെലിഗ്രാഫ്. ഇത് പ്രോസസ്സർ ഉപയോഗിക്കുന്നു plugins ഡാറ്റ സമ്പുഷ്ടമാക്കാനും സാധാരണമാക്കാനും. ഔട്ട്പുട്ട് plugins വിവിധ ഡാറ്റ സ്റ്റോറുകളിലേക്ക് ഈ ഡാറ്റ അയയ്ക്കാൻ ഉപയോഗിക്കുന്നു. ഈ പ്രമാണത്തിൽ നമ്മൾ രണ്ടെണ്ണം ഉപയോഗിക്കുന്നു plugins: ഒന്ന് ഓപ്പൺകോൺഫിഗ് സെൻസറുകൾക്കും മറ്റൊന്ന് ജുനൈപ്പർ നേറ്റീവ് സെൻസറുകൾക്കും.
ഇൻഫ്ലക്സ്ഡിബി
ഒരു ടൈം സീരീസ് ഡാറ്റാബേസിൽ ഡാറ്റ സംഭരിക്കുന്നതിന്, ഞങ്ങൾ InfluxDB ഉപയോഗിക്കുന്നു. ടെലിഗ്രാഫിലെ ഔട്ട്‌പുട്ട് പ്ലഗിൻ ഇൻഫ്‌ലുക്‌സ് ഡിബിയിലേക്ക് ഡാറ്റ അയയ്‌ക്കുന്നു, അത് അത് വളരെ കാര്യക്ഷമമായ രീതിയിൽ സംഭരിക്കുന്നു. V1.8-നും അതിനുമുകളിലുള്ളതിനും CLI നിലവിലില്ലാത്തതിനാൽ ഞങ്ങൾ V2 ഉപയോഗിക്കുന്നു.
ഗ്രാഫാന
ഈ ഡാറ്റ ദൃശ്യവൽക്കരിക്കാൻ ഗ്രാഫാന ഉപയോഗിക്കുന്നു. ഗ്രാഫാന ഇൻഫ്ലക്‌സ് ഡിബിയിൽ നിന്ന് ഡാറ്റ പിൻവലിക്കുകയും സമ്പന്നവും സംവേദനാത്മകവുമായ ഡാഷ്‌ബോർഡുകൾ സൃഷ്‌ടിക്കാൻ ഉപയോക്താക്കളെ അനുവദിക്കുകയും ചെയ്യുന്നു. ഇവിടെ, ഞങ്ങൾ 10.2.2 പതിപ്പ് പ്രവർത്തിപ്പിക്കുന്നു.

സ്വിച്ചിൽ കോൺഫിഗറേഷൻ

ഈ സ്റ്റാക്ക് നടപ്പിലാക്കാൻ, ആദ്യം ചിത്രം 2-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ സ്വിച്ച് കോൺഫിഗർ ചെയ്യേണ്ടതുണ്ട്. ഞങ്ങൾ പോർട്ട് 50051 ഉപയോഗിച്ചു. ഏത് പോർട്ടും ഇവിടെ ഉപയോഗിക്കാം. QFX സ്വിച്ചിലേക്ക് ലോഗിൻ ചെയ്ത് ഇനിപ്പറയുന്ന കോൺഫിഗറേഷൻ ചേർക്കുക.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിൽ ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - സ്വിച്ച്

കുറിപ്പ്: പാസ്‌വേഡ് വ്യക്തമായ വാചകത്തിൽ കൈമാറുന്നതിനാൽ ഈ കോൺഫിഗറേഷൻ ലാബുകൾ/പിഒസികൾക്കുള്ളതാണ്. ഇത് ഒഴിവാക്കാൻ SSL ഉപയോഗിക്കുക.

പരിസ്ഥിതി

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - പരിസ്ഥിതി

Nginx
ഗ്രാഫാന ഹോസ്‌റ്റ് ചെയ്‌തിരിക്കുന്ന പോർട്ട് തുറന്നുകാട്ടാൻ നിങ്ങൾക്ക് കഴിയുന്നില്ലെങ്കിൽ ഇത് ആവശ്യമാണ്. ഒരു റിവേഴ്സ് പ്രോക്സി ഏജൻ്റായി സേവിക്കുന്നതിന് ഉബുണ്ടു സെർവറിൽ nginx ഇൻസ്റ്റാൾ ചെയ്യുക എന്നതാണ് അടുത്ത ഘട്ടം. nginx ഇൻസ്റ്റാൾ ചെയ്തുകഴിഞ്ഞാൽ, ചിത്രം 4-ൽ കാണിച്ചിരിക്കുന്ന വരികൾ "ഡിഫോൾട്ട്" ഫയലിലേക്ക് ചേർക്കുകയും /etc/nginx-ൽ നിന്ന് /etc/nginx/sites-enabled-ലേക്ക് ഫയൽ നീക്കുകയും ചെയ്യുക.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്റ്റ്‌വെയറിനായുള്ള Juniper NETWORKS Telemetry In Junos - Nginx

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx1

ചിത്രം 5-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ nginx സേവനത്തിലേക്ക് പൂർണ്ണ ആക്‌സസ് നൽകുന്നതിന് ഫയർവാൾ ക്രമീകരിച്ചിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx2

nginx ഇൻസ്റ്റാൾ ചെയ്യുകയും ആവശ്യമായ മാറ്റങ്ങൾ വരുത്തുകയും ചെയ്തുകഴിഞ്ഞാൽ, a-യിൽ നിന്ന് നമുക്ക് ഗ്രാഫാന ആക്‌സസ് ചെയ്യാൻ കഴിയും web എല്ലാ സോഫ്റ്റ്‌വെയറുകളും ഇൻസ്റ്റാൾ ചെയ്തിട്ടുള്ള ഉബുണ്ടു സെർവറിൻ്റെ IP വിലാസം ഉപയോഗിച്ച് ബ്രൗസർ ചെയ്യുക.
ഡിഫോൾട്ട് പാസ്‌വേഡ് പുനഃസജ്ജമാക്കാൻ നിങ്ങളെ അനുവദിക്കാത്ത ഗ്രാഫാനയിൽ ഒരു ചെറിയ തകരാറുണ്ട്. നിങ്ങൾ ഈ പ്രശ്നം നേരിടുകയാണെങ്കിൽ ഈ ഘട്ടങ്ങൾ ഉപയോഗിക്കുക.
ഗ്രാഫാനയിൽ പാസ്‌വേഡ് സജ്ജീകരിക്കുന്നതിന് ഉബുണ്ടു സെർവറിൽ ചെയ്യേണ്ട ഘട്ടങ്ങൾ:

  • /var/lib/grafana/grafana.db എന്നതിലേക്ക് പോകുക
  • sqllite3 ഇൻസ്റ്റാൾ ചെയ്യുക
    o sudo apt sqlite3 ഇൻസ്റ്റാൾ ചെയ്യുക
  • നിങ്ങളുടെ ടെർമിനലിൽ ഈ കമാൻഡ് പ്രവർത്തിപ്പിക്കുക
    o sqlite3 grafana.db
  •  Sqlite കമാൻഡ് പ്രോംപ്റ്റ് തുറക്കുന്നു; ഇനിപ്പറയുന്ന ചോദ്യം പ്രവർത്തിപ്പിക്കുക:
    >ലോഗിൻ='അഡ്മിൻ' എന്ന ഉപയോക്താവിൽ നിന്ന് ഇല്ലാതാക്കുക
  • ഗ്രാഫാന പുനരാരംഭിച്ച് ഉപയോക്തൃനാമവും പാസ്‌വേഡും ആയി അഡ്മിൻ എന്ന് ടൈപ്പ് ചെയ്യുക. ഇത് ഒരു പുതിയ പാസ്‌വേഡ് ആവശ്യപ്പെടുന്നു.

എല്ലാ സോഫ്‌റ്റ്‌വെയറുകളും ഇൻസ്റ്റാൾ ചെയ്തുകഴിഞ്ഞാൽ, ടെലിഗ്രാഫിൽ കോൺഫിഗറേഷൻ ഫയൽ സൃഷ്‌ടിക്കുക, അത് സ്വിച്ചിൽ നിന്ന് ടെലിമെട്രി ഡാറ്റ പിൻവലിക്കാനും ഇൻഫ്‌ളക്‌സ്‌ഡിബിയിലേക്ക് തള്ളാനും സഹായിക്കും.

Openconfig സെൻസർ പ്ലഗിൻ

ഉബുണ്ടു സെർവറിൽ, ആവശ്യമുള്ളതെല്ലാം ചേർക്കുന്നതിന് /etc/telegraf/telegraf.conf ഫയൽ എഡിറ്റ് ചെയ്യുക. plugins സെൻസറുകളും. ഓപ്പൺകൺഫിഗ് സെൻസറുകൾക്കായി, ചിത്രം 6-ൽ കാണിച്ചിരിക്കുന്ന gNMI പ്ലഗിൻ ഞങ്ങൾ ഉപയോഗിക്കുന്നു. ഡെമോ ആവശ്യങ്ങൾക്ക്, "spine1" എന്ന ഹോസ്റ്റ്നാമം, gRPC-യ്‌ക്ക് ഉപയോഗിക്കുന്ന പോർട്ട് നമ്പർ "50051", സ്വിച്ചിൻ്റെ ഉപയോക്തൃനാമവും പാസ്‌വേഡും, നമ്പർ എന്നിവയും ചേർക്കുക. പരാജയം സംഭവിച്ചാൽ വീണ്ടും ഡയൽ ചെയ്യാനുള്ള നിമിഷങ്ങൾ.
സബ്‌സ്‌ക്രിപ്‌ഷൻ സ്‌റ്റാൻസയിൽ, ഈ പ്രത്യേക സെൻസറിനായി “സിപിയു”, സെൻസർ പാത്ത്, സ്വിച്ചിൽ നിന്ന് ഈ ഡാറ്റ എടുക്കുന്നതിനുള്ള സമയ ഇടവേള എന്നിവ ചേർക്കുക. എല്ലാ ഓപ്പൺ കോൺഫിഗ് സെൻസറുകൾക്കും ഒരേ പ്ലഗിൻ inputs.gnmi, inputs.gnmi.subscription എന്നിവ ചേർക്കുക. (ചിത്രം 6)

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx3

നേറ്റീവ് സെൻസർ പ്ലഗിൻ

നേറ്റീവ് സെൻസറുകൾക്കായി ഉപയോഗിക്കുന്ന ജുനൈപ്പർ ടെലിമെട്രി ഇൻ്റർഫേസ് പ്ലഗിൻ ആണിത്. അതേ telegraf.conf ഫയലിൽ, നേറ്റീവ് സെൻസർ പ്ലഗിൻ inputs.jti_openconfig_telemetry ചേർക്കുക, അവിടെ ഫീൽഡുകൾ openconfig-ന് സമാനമാണ്. ഓരോ സെൻസറിനും ഒരു അദ്വിതീയ ക്ലയൻ്റ് ഐഡി ഉപയോഗിക്കുക; ഇവിടെ നമ്മൾ "telegraf3" ഉപയോഗിക്കുന്നു. ഈ സെൻസറിന് ഇവിടെ ഉപയോഗിച്ചിരിക്കുന്ന അതുല്യമായ പേര് "മെം" (ചിത്രം 7).

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx4

അവസാനമായി, ഈ സെൻസർ ഡാറ്റ InfluxDB-ലേക്ക് അയയ്ക്കുന്നതിന് outputs.influxdb എന്ന ഔട്ട്‌പുട്ട് പ്ലഗിൻ ചേർക്കുക. ഇവിടെ, ഡാറ്റാബേസിന് "ടെലിഗ്രാഫ്" എന്ന് പേര് നൽകിയിരിക്കുന്നു, ഉപയോക്തൃനാമം "ഇൻഫ്ലക്സ്" എന്നും പാസ്‌വേഡ് "ഇൻഫ്ലക്സ്ഡിബി" (ചിത്രം 8).

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx5

നിങ്ങൾ telegraf.conf ഫയൽ എഡിറ്റ് ചെയ്‌തുകഴിഞ്ഞാൽ, ടെലിഗ്രാഫ് സേവനം പുനരാരംഭിക്കുക. ഇപ്പോൾ, എല്ലാ അദ്വിതീയ സെൻസറുകൾക്കുമായി അളവുകൾ സൃഷ്ടിച്ചിട്ടുണ്ടോയെന്ന് ഉറപ്പാക്കാൻ InfluxDB CLI പരിശോധിക്കുക. InfluxDB CLI-യിൽ പ്രവേശിക്കാൻ "ഇൻഫ്ലക്സ്" എന്ന് ടൈപ്പ് ചെയ്യുക.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx6

ചിത്രത്തിൽ കാണുന്നത് പോലെ. 9, influxDB പ്രോംപ്റ്റ് നൽകി "ടെലിഗ്രാഫ്" എന്ന ഡാറ്റാബേസ് ഉപയോഗിക്കുക. സെൻസറുകൾക്ക് നൽകിയിരിക്കുന്ന എല്ലാ അദ്വിതീയ പേരുകളും അളവുകളായി പട്ടികപ്പെടുത്തിയിരിക്കുന്നു.
ഏതെങ്കിലും ഒരു അളവെടുപ്പിൻ്റെ ഔട്ട്‌പുട്ട് കാണുന്നതിന്, ടെലിഗ്രാഫ് ഫയൽ ശരിയാണെന്നും സെൻസർ പ്രവർത്തിക്കുന്നുണ്ടെന്നും ഉറപ്പാക്കാൻ, ചിത്രം 1-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ “സിപിയു പരിധി 10ൽ നിന്ന് * തിരഞ്ഞെടുക്കുക” എന്ന കമാൻഡ് ഉപയോഗിക്കുക.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx7

ഓരോ തവണയും telegraf.conf ഫയലിൽ മാറ്റങ്ങൾ വരുത്തുമ്പോൾ, InfluxDB നിർത്തുക, Telegraf പുനരാരംഭിക്കുക, തുടർന്ന് InfluxDB ആരംഭിക്കുക.
ബ്രൗസറിൽ നിന്ന് ഗ്രാഫാനയിലേക്ക് ലോഗിൻ ചെയ്‌ത് ഡാറ്റ ശരിയായി ശേഖരിക്കുന്നുവെന്ന് ഉറപ്പാക്കിയ ശേഷം ഡാഷ്‌ബോർഡുകൾ സൃഷ്‌ടിക്കുക.
കണക്ഷനുകൾ > InfuxDB > പുതിയ ഡാറ്റ ഉറവിടം ചേർക്കുക എന്നതിലേക്ക് പോകുക.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx8

  1. ഈ ഡാറ്റ ഉറവിടത്തിന് ഒരു പേര് നൽകുക. ഈ ഡെമോയിൽ ഇത് "ടെസ്റ്റ്-1" ആണ്.
  2.  HTTP സ്റ്റാൻസയ്ക്ക് കീഴിൽ, ഉബുണ്ടു സെർവർ ഐപിയും 8086 പോർട്ടും ഉപയോഗിക്കുക.
    AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx9
  3. InfluxDB വിശദാംശങ്ങളിൽ, "ടെലിഗ്രാഫ്" എന്ന അതേ ഡാറ്റാബേസ് നാമം ഉപയോഗിക്കുകയും ഉബുണ്ടു സെർവറിൻ്റെ ഉപയോക്തൃനാമവും പാസ്‌വേഡും നൽകുകയും ചെയ്യുക.
  4. സേവ് & ടെസ്റ്റ് ക്ലിക്ക് ചെയ്യുക. "വിജയകരം" എന്ന സന്ദേശം നിങ്ങൾ കാണുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക.
    AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - Nginx10
  5. ഡാറ്റ ഉറവിടം വിജയകരമായി ചേർത്തുകഴിഞ്ഞാൽ, ഡാഷ്‌ബോർഡുകളിലേക്ക് പോയി പുതിയത് ക്ലിക്കുചെയ്യുക. എഡിറ്റർ മോഡിൽ AI/ML വർക്ക്ലോഡിന് അത്യാവശ്യമായ കുറച്ച് ഡാഷ്ബോർഡുകൾ നമുക്ക് സൃഷ്ടിക്കാം.

Exampലെസ് ഓഫ് സെൻസർ ഗ്രാഫുകൾ

ഇനിപ്പറയുന്നവ മുൻampഒരു AI/ML നെറ്റ്‌വർക്ക് നിരീക്ഷിക്കുന്നതിന് അത്യാവശ്യമായ ചില പ്രധാന കൗണ്ടറുകൾ.
ശതമാനംtagനട്ടെല്ല്-0-ൽ ഒരു ഇൻഗ്രെസ്സ് ഇൻ്റർഫേസിനായുള്ള ഇ ഉപയോഗം et-0/0/1
AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനിപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - ഗ്രാഫുകൾ

  • ടെസ്റ്റ്-1 ആയി ഡാറ്റ ഉറവിടം തിരഞ്ഞെടുക്കുക.
  • FROM വിഭാഗത്തിൽ, അളവ് "ഇൻ്റർഫേസ്" ആയി തിരഞ്ഞെടുക്കുക. ഈ സെൻസർ പാതയ്ക്ക് ഉപയോഗിക്കുന്ന അതുല്യമായ പേരാണിത്.
  • WHERE വിഭാഗത്തിൽ, ഉപകരണം തിരഞ്ഞെടുക്കുക ::tag, ഒപ്പം tag മൂല്യം, സ്വിച്ചിൻ്റെ ഹോസ്റ്റ്നാമം തിരഞ്ഞെടുക്കുക, അതായത്, spine1.
  • SELECT വിഭാഗത്തിൽ, നിങ്ങൾ നിരീക്ഷിക്കാൻ ആഗ്രഹിക്കുന്ന സെൻസർ ബ്രാഞ്ച് തിരഞ്ഞെടുക്കുക; ഈ സാഹചര്യത്തിൽ "ഫീൽഡ്(/ഇൻ്റർഫേസുകൾ/ഇൻ്റർഫേസ്[if_name='et-0/0/0']/state/counters/if_in_1s_octets)" തിരഞ്ഞെടുക്കുക. ഇപ്പോൾ അതേ വിഭാഗത്തിൽ, "+" ക്ലിക്ക് ചെയ്ത് ഈ കണക്കുകൂട്ടൽ കണക്ക് ചേർക്കുക (/50000000000 * 100). ഞങ്ങൾ അടിസ്ഥാനപരമായി ശതമാനം കണക്കാക്കുന്നുtag400G ഇൻ്റർഫേസിൻ്റെ ഇ ഉപയോഗം.
  • ഫോർമാറ്റ് "സമയ പരമ്പര" ആണെന്ന് ഉറപ്പുവരുത്തുക, കൂടാതെ ALIAS വിഭാഗത്തിൽ ഗ്രാഫിന് പേര് നൽകുക.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജുനൈപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - ഗ്രാഫുകൾ1ഏത് ക്യൂവിനും പീക്ക് ബഫർ ഒക്യുപെൻസി

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജുനൈപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - ഗ്രാഫുകൾ2

  • ടെസ്റ്റ്-1 ആയി ഡാറ്റ ഉറവിടം തിരഞ്ഞെടുക്കുക.
  • FROM വിഭാഗത്തിൽ, അളവ് "ബഫർ" ആയി തിരഞ്ഞെടുക്കുക.
  • WHERE വിഭാഗത്തിൽ, മൂന്ന് ഫീൽഡുകൾ പൂരിപ്പിക്കാനുണ്ട്. ഉപകരണം തിരഞ്ഞെടുക്കുക::tag, ഒപ്പം tag മൂല്യം സ്വിച്ചിൻ്റെ ഹോസ്റ്റ്നാമം തിരഞ്ഞെടുക്കുക (അതായത് നട്ടെല്ല്-1); കൂടാതെ /cos/interfaces/interface/@name::tag ഇൻ്റർഫേസ് തിരഞ്ഞെടുക്കുക (അതായത് et- 0/0/0); ഒപ്പം ക്യൂയും തിരഞ്ഞെടുക്കുക, /cos/interfaces/interface/queues/queue/@queue::tag കൂടാതെ ക്യൂ നമ്പർ 4 തിരഞ്ഞെടുക്കുക.
  • SELECT വിഭാഗത്തിൽ, നിങ്ങൾ നിരീക്ഷിക്കാൻ ആഗ്രഹിക്കുന്ന സെൻസർ ബ്രാഞ്ച് തിരഞ്ഞെടുക്കുക; ഈ സാഹചര്യത്തിൽ "ഫീൽഡ്(/cos/interfaces/interface/queues/queue/PeakBufferOccupancy)" തിരഞ്ഞെടുക്കുക.
  • ഫോർമാറ്റ് "സമയ പരമ്പര" ആണെന്ന് ഉറപ്പുവരുത്തി ALIAS വിഭാഗത്തിൽ ഗ്രാഫിന് പേര് നൽകുക.

et-17/0/0, et-0/0/0, et-1/0/0 മുതലായവയ്‌ക്കായി ചിത്രം 2-ൽ കാണുന്നത് പോലെ, ഒരേ ഗ്രാഫിൽ ഒന്നിലധികം ഇൻ്റർഫേസുകൾക്കായി നിങ്ങൾക്ക് ഡാറ്റ സംയോജിപ്പിക്കാൻ കഴിയും.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജുനൈപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - ഗ്രാഫുകൾ3

PFC, ECN എന്നിവ ഡെറിവേറ്റീവ് എന്നാണ് അർത്ഥമാക്കുന്നത്
AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജുനൈപ്പർ നെറ്റ്‌വർക്ക്സ് ടെലിമെട്രി - ഡെറിവേറ്റീവ്

ശരാശരി ഡെറിവേറ്റീവ് കണ്ടെത്തുന്നതിന് (ഒരു സമയ പരിധിക്കുള്ളിലെ മൂല്യത്തിലെ വ്യത്യാസം), റോ ക്വറി മോഡ് ഉപയോഗിക്കുക.
സ്‌പൈൻ-0-ൻ്റെ et-0/0/1-ലെ രണ്ട് PFC മൂല്യങ്ങൾക്കിടയിലുള്ള ശരാശരി ഡെറിവേറ്റീവ് ഒരു സെക്കൻ്റിൽ കണ്ടെത്താൻ ഞങ്ങൾ ഉപയോഗിച്ച ഇൻഫ്ലക്‌സ് അന്വേഷണമാണിത്.
SELECT ഡെറിവേറ്റീവ് (“/ഇൻ്റർഫേസുകൾ/ഇൻ്റർഫേസ്[if_name='et-0/0/0′]/state/pfc-counter/tx_pkts”), 1s) “ഇൻ്റർഫേസ്” എവിടെ നിന്ന് (“ഉപകരണം”::tag = 'നട്ടെല്ല്-1') ഒപ്പം $ടൈം ഫിൽട്ടർ ഗ്രൂപ്പ് സമയം ($ഇടവേള)

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിൽ ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - അതുപോലെ ECN-നും

SELECT ഡെറിവേറ്റീവ് (“/ഇൻ്റർഫേസുകൾ/ഇൻ്റർഫേസ്[if_name='et-0/0/8′]/state/error-counters/ecn_ce_marked_pkts”), 1s) “ഇൻ്റർഫേസ്” എവിടെ നിന്ന് (“ഉപകരണം”::tag = 'നട്ടെല്ല്-1') ഒപ്പം $ടൈം ഫിൽട്ടർ ഗ്രൂപ്പ് സമയം ($ഇടവേള)

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിൽ ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - അതുപോലെ തന്നെ ECN1-നും

ഇൻപുട്ട് റിസോഴ്സ് പിശകുകൾ ഡെറിവേറ്റീവ് എന്നാണ് അർത്ഥമാക്കുന്നത്

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിൽ ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - അതുപോലെ തന്നെ ECN2-നും

ഉറവിട പിശകുകൾക്കായുള്ള അസംസ്കൃത ചോദ്യം ഡെറിവേറ്റീവ് എന്നാണ് അർത്ഥമാക്കുന്നത്:
SELECT ഡെറിവേറ്റീവ് (“/ഇൻ്റർഫേസുകൾ/ഇൻ്റർഫേസ്[if_name='et-0/0/0′]/state/error-counters/if_in_resource_errors”), 1s) “ഇൻ്റർഫേസ്” എവിടെ നിന്ന് (“ഉപകരണം”::tag = 'നട്ടെല്ല്-1') ഒപ്പം $ടൈം ഫിൽട്ടർ ഗ്രൂപ്പ് സമയം ($ഇടവേള)

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിൽ ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - അതുപോലെ തന്നെ ECN3-നും

ടെയിൽ ഡ്രോപ്പുകൾ അർത്ഥമാക്കുന്നത് ഡെറിവേറ്റീവ് എന്നാണ്

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിൽ ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - അതുപോലെ തന്നെ ECN4-നും

ടെയിൽ ഡ്രോപ്പുകൾക്കുള്ള അസംസ്‌കൃത ചോദ്യം ഡെറിവേറ്റീവ് എന്നാണ് അർത്ഥമാക്കുന്നത്:
"ബഫർ" എവിടെ നിന്ന് ("ഉപകരണം"::tag = 'ലീഫ്-1' കൂടാതെ "/cos/interfaces/interface/@name"::tag = 'et-0/0/0' കൂടാതെ “/cos/interfaces/interface/queues/queue/@queue”::tag = '4') ഒപ്പം $ടൈം ഫിൽട്ടർ ഗ്രൂപ്പ് സമയം പ്രകാരം ($__ഇടവേള) പൂരിപ്പിക്കുക(ശൂന്യം)
 സിപിയു ഉപയോഗം

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിലെ ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - സിപിയു ഉപയോഗം

  • ടെസ്റ്റ്-1 ആയി ഡാറ്റ ഉറവിടം തിരഞ്ഞെടുക്കുക.
  • FROM വിഭാഗത്തിൽ, അളവ് “newcpu” ആയി തിരഞ്ഞെടുക്കുക
  • എവിടെ, മൂന്ന് ഫീൽഡുകൾ പൂരിപ്പിക്കാനുണ്ട്. ഉപകരണം തിരഞ്ഞെടുക്കുക::tag ഒപ്പം tag മൂല്യം സ്വിച്ചിൻ്റെ ഹോസ്റ്റ്നാമം തിരഞ്ഞെടുക്കുക (അതായത് നട്ടെല്ല്-1). കൂടാതെ /ഘടകങ്ങൾ/ഘടകം/പ്രോപ്പർട്ടികൾ/സ്വത്ത്/പേരിൽ:tag, കൂടാതെ cpuutilization-total AND എന്ന പേരിൽ തിരഞ്ഞെടുക്കുക::tag RE0 തിരഞ്ഞെടുക്കുക.
  • SELECT വിഭാഗത്തിൽ, നിങ്ങൾ നിരീക്ഷിക്കാൻ ആഗ്രഹിക്കുന്ന സെൻസർ ബ്രാഞ്ച് തിരഞ്ഞെടുക്കുക. ഈ സാഹചര്യത്തിൽ, "ഫീൽഡ്(സ്റ്റേറ്റ്/മൂല്യം)" തിരഞ്ഞെടുക്കുക.

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിലെ ജൂനിപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - സിപിയു ഉപയോഗം1

ബിറ്റുകൾ/സെക്കൻഡിൽ ഒന്നിലധികം ഇൻ്റർഫേസുകളിൽ ഒന്നിലധികം സ്വിച്ചുകൾക്കുള്ള ടെയിൽ ഡ്രോപ്പുകളുടെ നോൺ-നെഗറ്റീവ് ഡെറിവേറ്റീവ് കണ്ടെത്തുന്നതിനുള്ള അസംസ്കൃത അന്വേഷണം.
non_negative_derivative(mean(“/cos/interfaces/interface/queues/queue/tailDropBytes”), 1s)*8 “ബഫർ” എവിടെ നിന്ന് (ഉപകരണം::tag =~ /^നട്ടെല്ല്-[1-2]$/) കൂടാതെ (“/cos/interfaces/interface/@name”::tag =~ /et-0\/0\/[0-9]/ അല്ലെങ്കിൽ “/cos/interfaces/interface/@name”::tag=~/et-0\/0\/1[0-5]/) ഒപ്പം $ടൈം ഫിൽട്ടർ ഗ്രൂപ്പ് സമയം ($__ഇടവേള), ഉപകരണം::tag പൂരിപ്പിക്കുക (ശൂന്യം)

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിലെ ജൂനിപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - സിപിയു ഉപയോഗം2

ഇവർ മുൻ ചിലരായിരുന്നുampഒരു AI/ML നെറ്റ്‌വർക്ക് നിരീക്ഷിക്കുന്നതിനായി സൃഷ്ടിക്കാൻ കഴിയുന്ന ഗ്രാഫുകളുടെ les.

സംഗ്രഹം

ടെലിമെട്രി ഡാറ്റ വലിച്ചെടുക്കുകയും ഗ്രാഫുകൾ സൃഷ്ടിച്ച് ദൃശ്യവൽക്കരിക്കുകയും ചെയ്യുന്ന രീതി ഈ പേപ്പർ വ്യക്തമാക്കുന്നു. ഈ പേപ്പർ പ്രത്യേകമായി AI/ML സെൻസറുകളെക്കുറിച്ച് സംസാരിക്കുന്നു, നേറ്റീവ്, ഓപ്പൺകോൺഫിഗ്, എന്നാൽ സജ്ജീകരണം എല്ലാത്തരം സെൻസറുകൾക്കും ഉപയോഗിക്കാം. സജ്ജീകരണം സൃഷ്ടിക്കുമ്പോൾ നിങ്ങൾ അഭിമുഖീകരിച്ചേക്കാവുന്ന ഒന്നിലധികം പ്രശ്നങ്ങൾക്കുള്ള പരിഹാരങ്ങളും ഞങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഈ പേപ്പറിൽ ചിത്രീകരിച്ചിരിക്കുന്ന ഘട്ടങ്ങളും ഔട്ട്പുട്ടുകളും നേരത്തെ സൂചിപ്പിച്ച TIG സ്റ്റാക്കിൻ്റെ പതിപ്പുകൾക്ക് പ്രത്യേകമാണ്. സോഫ്റ്റ്വെയറിൻ്റെ പതിപ്പ്, സെൻസറുകൾ, ജൂനോസ് പതിപ്പ് എന്നിവയെ ആശ്രയിച്ച് ഇത് മാറ്റത്തിന് വിധേയമാണ്.

റഫറൻസുകൾ

എല്ലാ സെൻസർ ഓപ്ഷനുകൾക്കുമായി ജുനൈപ്പർ യാങ് ഡാറ്റ മോഡൽ എക്സ്പ്ലോറർ
https://apps.juniper.net/ydm-explorer/
ഓപ്പൺ കോൺഫിഗ് സെൻസറുകൾക്കായുള്ള ഓപ്പൺ കോൺഫിഗ് ഫോറം
https://www.openconfig.net/projects/models/

AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിലെ ജൂനിപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി - ഐക്കൺ

കോർപ്പറേറ്റ്, സെയിൽസ് ആസ്ഥാനം
ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ, Inc.
1133 ഇന്നൊവേഷൻ വേ
സണ്ണിവേൽ, CA 94089 USA
ഫോൺ: 888. ജൂണിപ്പർ (888.586.4737)
അല്ലെങ്കിൽ +1.408.745.2000
ഫാക്സ്: +1.408.745.2100
www.juniper.net
APAC, EMEA ആസ്ഥാനം
ജുനൈപ്പർ നെറ്റ്‌വർക്ക്സ് ഇന്റർനാഷണൽ ബി.വി
ബോയിംഗ് അവന്യൂ 240
1119 PZ ഷിഫോൾ-റിജ്ക്
ആംസ്റ്റർഡാം, നെതർലാൻഡ്സ്
ഫോൺ: +31.207.125.700
ഫാക്സ്: +31.207.125.701
പകർപ്പവകാശം 2023 ജൂണിപ്പർ നെറ്റ്‌വർക്കുകൾ. Inc. Ail അവകാശങ്ങൾ നിക്ഷിപ്തം. ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ, ജുനൈപ്പർ നെറ്റ്‌വർക്കുകളുടെ ലോഗോ, ജുനൈപ്പർ, ജൂനോസ്, മറ്റ് വ്യാപാരമുദ്രകൾ എന്നിവ ജുനൈപ്പർ നെറ്റ്‌വർക്കുകളുടെ രജിസ്റ്റർ ചെയ്ത വ്യാപാരമുദ്രകളാണ്. ഇൻക് കൂടാതെ/അല്ലെങ്കിൽ യുണൈറ്റഡ് സ്റ്റേറ്റ്സിലെയും മറ്റ് രാജ്യങ്ങളിലെയും അതിൻ്റെ അനുബന്ധ സ്ഥാപനങ്ങൾ. മറ്റ് പേരുകൾ അതത് ഉടമസ്ഥരുടെ വ്യാപാരമുദ്രകളായിരിക്കാം. ഈ ഡോക്യുമെൻ്റിലെ അപാകതകൾക്ക് ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ ഒരു ഉത്തരവാദിത്തവും ഏറ്റെടുക്കുന്നില്ല. ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ മാറ്റാനുള്ള അവകാശം നിക്ഷിപ്തമാണ്. പരിഷ്ക്കരിക്കുക. അറിയിപ്പ് കൂടാതെ ഈ പ്രസിദ്ധീകരണം കൈമാറുക അല്ലെങ്കിൽ പുനഃപരിശോധിക്കുക.
ഇതിലേക്ക് ഫീഡ്‌ബാക്ക് അയയ്‌ക്കുക: design-center-comments@juniper.net V1.0/240807/ejm5-telemetry-junos-ai-ml

പ്രമാണങ്ങൾ / വിഭവങ്ങൾ

AI ML വർക്ക് ലോഡ്സ് സോഫ്‌റ്റ്‌വെയറിനായുള്ള ജൂനോസിൽ ജുനൈപ്പർ നെറ്റ്‌വർക്കുകൾ ടെലിമെട്രി [pdf] ഉപയോക്തൃ ഗൈഡ്
AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനുള്ള ജൂനോസിൽ ടെലിമെട്രി, AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്‌റ്റ്‌വെയറിനുള്ള ജൂനോസ്, AI ML വർക്ക്‌ലോഡ്‌സ് സോഫ്റ്റ്‌വെയർ, വർക്ക് ലോഡ്സ് സോഫ്റ്റ്‌വെയർ, സോഫ്റ്റ്‌വെയർ

റഫറൻസുകൾ

ഒരു അഭിപ്രായം ഇടൂ

നിങ്ങളുടെ ഇമെയിൽ വിലാസം പ്രസിദ്ധീകരിക്കില്ല. ആവശ്യമായ ഫീൽഡുകൾ അടയാളപ്പെടുത്തി *