首页
›
后端、数据与云原生工程
›
034-云原生AI算力与GPU平台工程
›
《Kubernetes GPU运维实战100例》
VIP10
本课程属于：034-云原生AI算力与GPU平台工程
后端、数据与云原生工程 · 共 10 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录
咨询 / 购买
《Kubernetes GPU运维实战100例》
共 100 例
01
GPU节点基础环境检查与驱动状态确认
02
安装与配置NVIDIA Container Toolkit
03
部署NVIDIA Device Plugin DaemonSet
04
验证GPU Pod调度与设备分配
05
配置GPU节点标签与污点
06
使用Node Affinity约束GPU工作负载
07
GPU资源配额与LimitRange配置
08
多GPU Pod的容器内设备可见性验证
09
GPU节点故障排查：Device Plugin未注册资源
10
GPU Pod Pending问题定位与解决
11
使用MIG对A100 GPU进行实例切分
12
MIG策略配置与节点重启后恢复
13
GPU共享调度：配置Time-Slicing
14
GPU共享调度：配置MPS多进程服务
15
GPU共享场景下的资源超卖与隔离验证
16
为GPU节点配置HugePages与内存大页
17
GPU节点NUMA绑定与CPU Manager配置
18
GPU Pod的Topology Manager对齐验证
19
GPU节点RDMA设备插件部署与验证
20
GPU节点SR-IOV网络配置与Pod接入
21
GPU训练Pod的本地临时存储配置
22
GPU节点本地NVMe盘作为训练缓存
23
使用HostPath挂载GPU驱动目录的兼容性验证
24
GPU节点内核参数调优
25
GPU节点禁用Swap与内存回收策略配置
26
GPU Pod的QoS等级与驱逐优先级设置
27
GPU节点维护：安全驱逐与重新调度
28
GPU节点升级后的驱动与插件回归验证
29
GPU节点自动修复：使用Node Problem Detector
30
GPU节点监控：部署DCGM Exporter
31
Prometheus采集GPU指标与告警规则配置
32
Grafana GPU监控面板搭建
33
GPU Pod级监控：识别具体训练任务的GPU占用
34
GPU显存泄漏排查与Pod重启策略
35
GPU ECC错误检测与节点隔离
36
GPU温度与功耗异常排查
37
GPU掉卡故障的Kubernetes侧应急处理
38
GPU XID错误日志分析与处理
39
GPU节点dmesg与journalctl日志排查
40
GPU Pod OOM与显存不足区分处理
41
GPU训练Pod的启动探针与就绪探针配置
42
GPU推理服务的HPA自动扩缩容
43
GPU推理服务的KEDA事件驱动扩缩容
44
GPU推理服务使用Triton Inference Server部署
45
Triton多模型并发与动态批处理配置
46
GPU推理服务使用TensorRT优化模型
47
GPU推理Pod的模型缓存与共享存储
48
GPU训练任务使用PyTorchJob提交
49
PyTorchJob多机多卡分布式训练配置
50
分布式训练NCCL环境变量调优
51
分布式训练Pod反亲和性配置
52
分布式训练使用Gang Scheduling
53
GPU训练任务检查点保存与恢复
54
GPU训练任务优先级与抢占配置
55
GPU批处理任务使用Job与BackoffLimit
56
GPU任务使用CronJob定时运行
57
GPU Pod使用Init Container准备数据
58
GPU Pod使用Sidecar进行指标上报
59
GPU工作负载的PodDisruptionBudget配置
60
GPU节点池与Cluster Autoscaler集成
61
GPU节点池使用Karpenter动态供给
62
GPU节点缩容时的Pod驱逐与检查点保护
63
GPU资源调度：使用Volcano队列管理
64
GPU资源调度：使用YuniKorn分层队列
65
GPU资源调度：Binpack与Spread策略对比
66
GPU资源碎片整理与重调度
67
GPU Pod使用RuntimeClass选择NVIDIA运行时
68
GPU Pod安全上下文与设备访问控制
69
GPU节点使用AppArmor/SELinux限制容器行为
70
GPU工作负载的NetworkPolicy隔离
71
GPU Pod使用Service暴露推理端点
72
GPU推理服务使用Ingress暴露HTTPS
73
GPU推理服务使用Gateway API配置流量切分
74
GPU推理服务使用Istio进行流量管理
75
GPU训练任务使用Kueue进行配额管理
76
GPU任务使用Kueue的抢占与优先级
77
GPU Pod使用Ephemeral Container进行在线调试
78
GPU Pod使用kubectl debug进行节点级排查
79
GPU节点使用nsenter检查容器命名空间
80
GPU Pod性能分析：使用Nsight Systems
81
GPU Pod性能分析：使用Nsight Compute
82
GPU训练吞吐基准测试与对比
83
GPU推理延迟基准测试与SLA验证
84
GPU Pod使用CUDA_VISIBLE_DEVICES限制设备
85
GPU Pod使用NVIDIA_VISIBLE_DEVICES配置
86
GPU节点使用GPU Operator统一管理
87
GPU Operator中驱动容器与预装驱动切换
88
GPU Operator与MIG Manager集成
89
GPU Operator与Node Feature Discovery集成
90
GPU节点使用NVIDIA Network Operator部署
91
GPU工作负载使用Kueue与Job集成
92
GPU工作负载使用Ray在Kubernetes上部署
93
Ray GPU Worker自动扩缩容配置
94
GPU工作负载使用KServe部署推理服务
95
KServe GPU推理服务使用Canary Rollout
96
GPU训练任务使用MPI Operator
97
GPU训练任务使用Training Operator的XGBoostJob
98
GPU节点使用Node Feature Discovery自定义标签
99
GPU Pod使用ResourceQuota与PriorityClass联合控制
100
GPU集群成本分析与GPU利用率报表
所属VIP或分类
同VIP：GPU-Operator云原生算力工程
同VIP：GPU集群容量与成本治理工程
同VIP：KubeRay分布式AI平台工程