KubeRay positioniert Ray-Workloads innerhalb von Kubernetes
Eine AnyScale-Erklärung besagt, dass KubeRay die Kubernetes-native Schicht ist, um Ray im großen Maßstab zu betreiben, Ray-Cluster, Batch-Jobs und Workloads zu bedienen, mit der Infrastruktur verknüpft wird, die viele Teams bereits betreiben. Das Material stellt KubeRay als Standardmethode dar, Ray auf Kubernetes zu betreiben, und sagt, dass es auf verwalteten Ray-Angeboten großer Cloud-Anbieter basiert.
Beweise und Kontext
Laut dem Quellmaterial besteht das Kernproblem darin, dass Kubernetes Pods, Services und Jobs versteht, aber nicht einen Ray-Cluster, Ray-Job oder Ray Serve-Anwendung. Ohne eine Operator-Ebene müssen Teams die gleiche Leitung für Head- und Worker-Deployments, Job-Einreichung, Autoskalierung und Fehlerwiederherstellung manuell bauen. KubeRay wird als Brücke präsentiert: Es wandelt eine RayCluster-Spezifikation in die notwendigen Pods und Services um und meldet den Ray-Status über Statusfelder und Events an Kubernetes zurück.
Die Erklärung sagt, dass KubeRay drei Haupt-Custom-Ressourcen bereitstellt. RayCluster ist der Baustein für langlebige Cluster. RayJob erstellt einen dedizierten RayCluster für eine einzelne Batch-Workload und baut ihn ab, wenn der Job abgeschlossen ist. RayService verwaltet RayServe-Anwendungen mit hoher Verfügbarkeit und Upgrades ohne Ausfallzeit. Die Quelle beschreibt RayCronJob auch für wiederkehrende Ray-Jobs.
Für Skalierung und Widerstandsfähigkeit heißt es, dass KubeRay ray-bewusste Autoskalierung basierend auf ausstehenden Aufgaben, Akteuren und Platzierungsgruppen hinzugefügt hat, anstatt sich nur auf den Kubernetes Horizontal Pod Autoscaler zu verlassen. Es erwähnt außerdem die Fehlertoleranz des Global Control Service bei der Wiederherstellung von Cluster-Metadaten nach einem Head-Node-Ausfall während der laufenden Ray-Serve-Anwendungen. Zum Thema Planung sagt die Quelle, dass KubeRay mit Kubernetes-Quoten- und Gang-Scheduling-Tools integriert ist, darunter Kueue, MultiKueue, die Kubernetes Workload API, Volcano, YuniKorn, Scheduler-Plugins und NVIDIA KAI Scheduler.
Sicherheits- und Betriebsfunktionen, die im Quellcode aufgeführt sind, umfassen Ray-Token-Authentifizierung, Kubernetes RBAC, mTLS, NetworkPolicy-Unterstützung, Prometheus- und Grafana-Integration sowie einen History Server zur Erhaltung von Ray-Ereignissen und Logs in der Objektspeicherung nach der Löschung eines Clusters. Das Material erwähnt außerdem kubectl ray und einen KubeRay API-Server für das Management im Operator-Stil.
Der Erklärer enthält ein ausgearbeitetes Beispiel, in dem ein RayJob eine PyTorch Fashion MNIST-Trainingsarbeit auf Kubernetes ausführt. In der Beispielausgabe wird der RayJob als ERFOLGREICH dargestellt, wobei der eingereichte Trainingsjob einen Verlust von 0.3702628721599095 und die Genauigkeit von 0.8646 meldet. Das Beispiel wird als Dokumentation und nicht als Marktereignis präsentiert.
Der mit der Quelle enthaltene breitere Ray-Kontext vermerkt, dass die letzte offizielle Veröffentlichung bei der Verifizierung Ray 2.59.0 war, datiert 2026-10-02, nach Ray 2.58.0 am 2026-08-23. Diese Release Notes sind getrennt vom KubeRay-Erklärungstext, deuten aber darauf hin, dass das Upstream-Projekt weiterhin LLM-, Speicher- und Sicherheitsfunktionen zur gleichen Zeit hinzufügte.
Die Quelle liefert keine Akzeptanzzahlen, Kundenzahlen, Marktanteile oder vergleichende Leistungsmessungen für KubeRay. Sie gibt auch kein bevorstehendes Produktdatum oder einen Startkatalysator an, abgesehen von der Dokumentation selbst.