VIP8
本课程属于：015-GPU集群运维与故障诊断工程 AI智能与边缘计算工程 · 共 8 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

数据中心GPU集群故障自愈与容灾恢复

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
学习目标 · 课程大纲 · 核心概念（故障自愈
课程导入学习目标
02
GPU集群基础
GPU计算原理 · 集群架构（硬件 · 网络
GPU集群基础
03
故障类型与影响
硬件故障（GPU · CPU · 内存
故障类型影响
04
监控与告警
监控指标（GPU利用率 · 温度 · 显存
监控告警
05
日志与追踪
日志收集（ELK · Loki） · 分布式追踪（Jaeger）
日志追踪
06
故障检测与诊断
异常检测算法（统计 · 机器学习） · 故障诊断流程
故障检测诊断
07
自愈机制设计
自愈概念 · 自愈架构（检测-决策-执行） · 自愈策略（重启
自愈机制设计自愈概念
08
GPU故障自愈实践
GPU故障检测（Xid错误 · ECC错误） · 自动重启与隔离
GPU故障自愈实践
09
节点故障自愈
节点健康检查 · 自动驱逐Pod · 节点修复流程
节点故障自愈节点健康检查
10
网络故障自愈
网络分区检测 · 流量切换 · 链路冗余（BGP
网络故障自愈网络分区检测
11
存储故障自愈
存储冗余（RAID · 副本） · 数据校验
存储故障自愈RAID
12
容灾恢复基础
容灾等级（RPO · RTO） · 容灾架构（同城
容灾恢复基础RPO
13
数据备份与恢复
备份类型（全量 · 增量 · 差异）
数据备份恢复
14
集群级容灾
集群复制 · 故障切换（Failover） · 切换自动化
集群级容灾集群复制
15
应用级容灾
应用多活 · 负载均衡 · 会话保持
应用级容灾应用多活
16
GPU集群容灾实践
GPU集群备份恢复 · 跨集群迁移 · 案例解析
GPU集群容灾实践
17
自动化运维
Ansible · Terraform在集群管理中的应用 · 自动化故障处理脚本
自动化运维Ansible
18
Kubernetes与自愈
K8s健康检查 · 自动重启 · Pod调度
Kubernetes自愈
19
机器学习工作负载容灾
训练任务检查点 · 模型保存 · 断点续训
机器学习工作负载…训练任务检查点
20
故障演练
混沌工程原理 · 故障注入工具（Chaos Mesh） · 演练设计与实施
故障演练混沌工程原理
21
常见问题与解决
GPU驱动问题 · 显存泄漏 · 网络抖动
常见问题解决
22
性能优化与自愈
性能监控 · 瓶颈分析 · 自动扩缩容
性能优化自愈
23
安全与合规
数据安全 · 访问控制 · 容灾合规要求
安全合规
24
案例实战
某大型数据中心GPU集群故障自愈与容…
案例实战GPU
25
综合项目
设计一个GPU集群故障自愈与容灾恢复…
综合项目GPU
26
前沿技术
AIOps · 预测性维护 · 边缘计算容灾
前沿技术AIOps
27
工具链整合
监控 · 日志 · 告警
工具链整合监控
28
团队协作与流程
运维流程 · 故障响应机制 · 文档管理
团队协作流程
29
课程总结
核心要点回顾 · 学习路径建议 · 认证与资源
课程总结核心要点回顾
30
考试与评估
模拟测试 · 项目答辩 · 能力评估
考试评估