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

AI算力集群全栈监控与统一运维体系

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 · 课程结构 · AI算力集群监控运维的挑战与价值
课程导入学习目标
02
基础设施监控基础
CPU · 内存 · 磁盘
基础设施监控基础CPU
03
GPU监控深入
GPU利用率 · 显存 · 温度
GPU监控深入
04
集群资源管理
Slurm · Kubernetes等集群资源调度系…
集群资源管理Slurm
05
监控数据采集
Prometheus · Telegraf等采集工具的部署与配…
监控数据采集Prometheus
06
监控数据存储
时序数据库（如InfluxDB · VictoriaMetrics）的选…
监控数据存储InfluxDB
07
可视化与告警
Grafana仪表盘设计 · 告警规则配置与通知渠道
可视化告警
08
日志管理
ELK/EFK栈 · Loki等日志收集 · 存储与查询
日志管理ELK/EFK
09
分布式训练监控
TensorFlow · PyTorch分布式训练任务的监控与…
分布式训练监控TensorFlow
10
作业调度与优先级
作业排队 · 资源抢占 · 公平性策略的监控与调优
作业调度优先级
11
故障排查方法论
常见故障类型 · 排查流程与工具
故障排查方法论常见故障类型
12
网络监控
高速网络（InfiniBand · RoCE）的监控与性能分析
网络监控InfiniBand
13
存储监控
并行文件系统（Lustre · GPFS）的监控与性能优化
存储监控Lustre
14
容器化监控
Docker · Kubernetes容器监控与资源隔…
容器化监控Docker
15
云原生监控
云环境下的监控体系与混合云监控策略
云原生监控云环境下的监控体…
16
自动化运维
Ansible · Terraform等工具实现集群自动…
自动化运维Ansible
17
性能基准测试
MLPerf · HPL等基准测试工具的使用与结果分析
性能基准测试MLPerf
18
容量规划与扩展
基于监控数据的资源预测与集群扩容策略
容量规划扩展
19
安全监控
用户权限 · 网络安全 · 数据安全监控与审计
安全监控用户权限
20
成本监控
能耗 · 云资源费用等成本监控与优化
成本监控能耗
21
案例实战
构建一个完整的AI集群监控系统（从零…
案例实战AI
22
案例实战
大规模集群监控告警优化与降噪
案例实战大规模集群监控告…
23
案例实战
分布式训练任务性能瓶颈分析与调优
案例实战分布式训练任务性…
24
案例实战
集群故障应急响应与快速恢复
案例实战集群故障应急响应
25
常见问题与解决方案
监控数据缺失 · 告警风暴 · 性能下降等
常见问题解决方案
26
监控体系最佳实践
分层监控 · 统一监控平台设计
监控体系最佳实践分层监控
27
AIops与智能运维
机器学习在异常检测 · 根因分析中的应用
AIops智能运维
28
开源监控工具对比
Prometheus vs Zabb…
开源监控工具对比Prometheus
29
综合项目
设计并实现一个统一运维门户（集成监控 · 日志 · 告警）
综合项目设计并实现一个统…
30
课程总结与展望
监控运维的未来趋势与职业发展建议
课程总结监控运维的未来趋…