Netflix 建構 GPU 可靠性平台

10月30日，InfoQ報道，Netflix將GPU可靠性視為分散式系統問題，並以Kubernetes建構GPU可靠性平台。平台結合分層健康檢查、自動修復及容錯訓練，監測GPU、網絡與節點狀態；遇到故障時，會按情況逐步阻止新工作、排空或重啟機器。對長時間訓練，平台透過檢查點和彈性工作者恢復；亦會識別拖慢同步作業的單一慢速 rank。Netflix報告稱，GPU節點可用率超過99.95%，工作成功率由約98%升至超過99.5%。

AI 根據報道生成 · 2 小時前更新

還沒有足夠的連續觀測數據，暫不繪製趨勢。