跳到正文
热点事件持续更新

HyperPod新增三类故障检查与恢复能力

1 篇报道1 个报道来源12 小时前更新

先了解这件事

AI 综述

AWS为Amazon SageMaker HyperPod新增工作负载恢复和扩展基础设施检查,用于识别训练正确性错误、Kubernetes集群异常及Slurm挂起任务三类故障。AWS称,这些检查可更早发现故障并提高训练工作负载的有效吞吐量;该功能适用于由Amazon EKS或Slurm编排的HyperPod集群。 其中,挂起任务检测以节点代理运行,默认关闭;代理仅监控设置了HYPERPOD_HANG_RULES环境变量并指向规则文件的任务。

AI 根据报道生成 · 12 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. AWS Machine Learning Blog
    Amazon SageMaker HyperPod 发布工作负载恢复与扩展基础设施检查

    Amazon SageMaker HyperPod 新增工作负载恢复与扩展基础设施检查,用于识别训练正确性、Kubernetes 集群状态和 Slurm 挂起任务三类故障。

本事件热度走势

可比范围当前
7
可比范围峰值
1011月19日 08:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。