检查自愈观测允许您监控集群中节点池检查自愈功能，基于指标对节点常见的 Kubelet、Runtime 和 GPU 故障进行观测和告警。本文为您介绍如何配置检查自愈观测。 :::tip 检查自愈的详情，请参见 [节点池节点检查自愈](https://www.volcengine.com/docs/6460/1148783)。 ::: ## 前提条件 * 已开启云原生观测功能，详情请参见 [开启观测](https://www.volcengine.com/docs/6460/1213992)。 * 已开启容器服务观测功能，详情请参见 [容器服务观测](https://www.volcengine.com/docs/6460/148257)。 ## 操作步骤 ### 步骤一：开启观测 1. 登录 [容器服务控制台](https://console.volcengine.com/vke)。 2. 在左侧导航栏单击 **集群**，找到目标集群，单击集群名称。 3. 在集群管理页面的左侧导航栏中，单击 **观测配置**，并选择 **基础观测** 页签。 4. 选择 **检查自愈** 卡片，单击 **启用**，开启集群检查自愈观测。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_e3d37b3961335f6f9e7635f81786601c.png =907x) 5. 系统自动检查开启观测所需的必要条件。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_93c0565964d558d4759e77d7924cb8ee.png =908x) 6. 单击 **开启**，开启检查自愈观测。 ### 步骤二：配置告警为方便用户及时发现检查自愈规则事件，系统支持基于检查规则自愈的行为和节点的常见故障进行告警，如下表所示。 |告警分类 |告警规则 | |---|---| |检查自愈行为 |自愈开始执行。 | |^^|自愈执行失败。 | |^^|自愈执行完成但未能修复问题。 | |节点常见故障 |节点出现 GPU 相关异常。 | |^^|节点出现 NTP 相关异常。 | |^^|节点出现 ContainerRuntime 异常。 | |^^|节点检测到 Kubelet 异常。 | 配置检查自愈告警的操作步骤如下： 1. 选择 **检查自愈** 卡片，单击 **编辑配置**，并选择 **告警** 页签。 2. 在 **告警** 页签中，单击开关，开启检查自愈告警，并配置告警相关参数。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_e3c9a579cebd85b1a28abceb5a7b5251.png =900x) |配置项 |说明 | |---|---| |告警聚合策略 |在下拉菜单中选择告警聚合策略。详情请参见 [创建告警聚合策略](https://www.volcengine.com/docs/6731/159019)。 | |告警通知策略 |在下拉菜单中选择告警通知策略。系统会使用通知策略中配置的告警等级和联系人组，将告警发送给指定的联系人。详情请参见 [创建告警通知策略](https://www.volcengine.com/docs/6731/159013)。 | 3. 单击 **确定**，完成配置。 ## 观测看板 :::tip 预置看板中为您提供监控数据同比对照、复制看板语句等功能，详情请参见 [使用看板](https://www.volcengine.com/docs/6460/1927052)。 ::: 您可以查看检查自愈的监控信息，包括：异常节点数、GPU 异常节点数、自愈操作数、自愈操作成功数等。支持设置查询的时间段，并指定刷新方式（手动刷新、自动刷新）。 1. 在集群管理页面的左侧导航栏中，选择 **监控中心** \> **监控看板**。 2. 在左侧看板列表中选择 **智能运维** \> **检查自愈**，即可查看监控大盘。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_b8ea884d1f804ca8b6242f46d074a2a9.png =916x) ## 查看指标您可以使用托管 Prometheus 的 Explore 功能来快速查询和展示指标数据。详情请参见 [指标查询](https://www.volcengine.com/docs/6731/195523)。