KubeRay posiciona las cargas de trabajo de Ray dentro de Kubernetes
Un explicador de AnyScale dice que KubeRay es la capa nativa de Kubernetes para ejecutar Ray a gran escala, vinculando clústeres de Ray, trabajos por lotes y atendiendo cargas de trabajo a la infraestructura que muchos equipos ya operan. El material presenta KubeRay como la forma estándar de ejecutar Ray en Kubernetes y sostiene que sustenta las ofertas gestionadas de Ray de los principales proveedores de nube.
Evidencia y contexto
Según el material fuente, el problema principal es que Kubernetes entiende Pods, Servicios y Jobs, pero no un clúster de Ray, un trabajo Ray o una aplicación Ray Serve. Sin una capa de operador, los equipos deben construir a mano la misma tubería para despliegues de cabeza y trabajo, envío de trabajos, escalado automático y recuperación de fallos. KubeRay se presenta como el puente: convierte una especificación de RayCluster en los Pods y Servicios necesarios, y reporta el estado de Ray a Kubernetes mediante campos de estado y Eventos.
La explicación dice que KubeRay proporciona tres recursos principales personalizados. RayCluster es el bloque de construcción para clústeres de larga duración. RayJob crea un RayCluster dedicado para una carga de trabajo por lotes y lo desmonta cuando el trabajo termina. RayService gestiona aplicaciones Ray Serve con alta disponibilidad y actualizaciones sin inactividad. La fuente también describe RayCronJob para trabajos recurrentes de Ray.
Para escalar y resiliencia, el material indica que KubeRay añade un autoescalado consciente de Ray basado en tareas pendientes, actores y grupos de colocación, en lugar de depender solo del Autoescalador de Pods Horizontal de Kubernetes. También cita la tolerancia a fallos del Servicio de Control Global para recuperar metadatos de clúster tras un fallo de nodo cabeza mientras mantienen en funcionamiento las aplicaciones de Ray Serve. Sobre la planificación, la fuente dice que KubeRay se integra con herramientas de cuotas y planificación en grupo de Kubernetes, incluyendo Kueue, MultiKueue, la API de carga de trabajo de Kubernetes, Volcano, YuniKorn, plugins de planificador y NVIDIA KAI Scheduler.
Las características de seguridad y operaciones listadas en el código fuente incluyen autenticación de tokens Ray, RBAC Kubernetes, mTLS, soporte para NetworkPolicy, integración con Prometheus y Grafana, y un Servidor de Historia para preservar eventos y registros Ray en el almacenamiento de objetos tras la eliminación de un clúster. El material también menciona kubectl ray y un servidor API KubeRay para la gestión de estilo operador.
La explicación incluye un ejemplo resuelto en el que un RayJob ejecuta una carga de trabajo de entrenamiento PyTorch Fashion MNIST en Kubernetes. En la salida de la muestra, el RayJob se muestra como SUCEDIDO, y el trabajo de formación enviado reporta pérdida de 0.3702628721599095 y precisión de 0.8646. El ejemplo se presenta como documentación en lugar de un evento de mercado.
El contexto más amplio de Ray aportado junto con la fuente señala que la última versión oficial en la verificación fue Ray 2.59.0, fechada 2026-10-02, tras la 2.58.0 de Ray en 2026-08-23. Esas notas de lanzamiento son independientes de la explicación de KubeRay, pero indican que el proyecto upstream continuó añadiendo LLM, almacenamiento y funciones de seguridad alrededor del mismo periodo.
La fuente no proporciona recuentos de adopción, cifras de clientes, cuota de mercado ni mediciones comparativas de rendimiento para KubeRay. Tampoco especifica una fecha de producto próxima ni un catalizador de lanzamiento más allá de la propia documentación.