VIP20
本课程属于：021-GPU数据中心：AI算力集群部署 AI与大模型 · 共 20 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

GPU集群故障自愈与容错实战

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导入
GPU集群故障自愈与容错的重要性 · 课程目标 · 学习路径
课程导入GPU
02
GPU集群基础
GPU架构 · 集群组成 · 常见故障类型
GPU集群基础
03
故障检测基础
监控指标 · 日志收集 · 告警机制
故障检测基础监控指标
04
故障检测进阶
异常检测算法 · 预测性维护
故障检测进阶异常检测算法
05
自愈机制设计
自愈流程 · 决策引擎 · 自动化执行
自愈机制设计自愈流程
06
容错技术概览
检查点 · 复制 · 冗余
容错技术概览检查点
07
检查点技术
检查点类型 · 保存与恢复 · 优化策略
检查点技术检查点类型
08
任务迁移与重启
任务调度 · 迁移策略 · 重启机制
任务迁移重启
09
数据容错
数据备份 · 副本管理 · 一致性保证
数据容错数据备份
10
网络容错
网络冗余 · 链路切换 · 负载均衡
网络容错网络冗余
11
电源与散热容错
电源冗余 · 散热监控 · 降频策略
电源散热容错
12
软件容错
操作系统 · 驱动 · 库的容错处理
软件容错操作系统
13
容器与编排容错
Kubernetes等平台的容错机制
容器编排容错
14
深度学习框架容错
TensorFlow · PyTorch的容错特性
深度学习框架容错TensorFlow
15
故障自愈实战
基于Kubernetes的GPU集群…
故障自愈实战Kubernetes
16
故障演练
混沌工程 · 故障注入 · 演练设计
故障演练混沌工程
17
监控告警系统搭建
Prometheus · Grafana等工具实践
监控告警系统搭建Prometheus
18
日志分析与故障定位
ELK · Loki等日志系统应用
日志分析故障定位
19
自动化运维脚本
Python · Shell脚本实现自愈
自动化运维脚本Python
20
机器学习故障预测
使用ML预测故障 · 模型训练与部署
机器学习故障预测ML
21
常见故障案例
GPU故障 · 节点宕机 · 网络分区等
常见故障案例GPU
22
故障处理流程
故障响应 · 诊断 · 修复
故障处理流程故障响应
23
高可用架构设计
多集群 · 跨可用区 · 容灾设计
高可用架构设计多集群
24
性能与容错权衡
冗余开销 · 性能优化
性能容错权衡
25
成本控制
容错成本 · 资源利用率优化
成本控制容错成本
26
安全与容错
安全故障 · 权限管理 · 合规性
安全容错
27
综合实战项目
构建一个完整的GPU集群自愈系统
综合实战项目GPU
28
前沿技术
Kubernetes Operato… · 服务网格 · Serverless
前沿技术Kubernetes
29
最佳实践与经验总结
行业案例 · 避坑指南
最佳实践经验总结
30
课程总结与展望
核心要点回顾 · 未来趋势 · 学习资源
课程总结核心要点回顾