KubeRay posiciona cargas de trabalho Ray dentro do Kubernetes
Um explicador do AnyScale diz que o KubeRay é a camada nativa do Kubernetes para rodar o Ray em escala, vinculando clusters Ray, trabalhos em lote e fornecendo cargas de trabalho à infraestrutura que muitas equipes já operam. O material apresenta o KubeRay como a forma padrão de rodar o Ray no Kubernetes e diz que ele sustenta as ofertas gerenciadas de Ray dos principais provedores de nuvem.
Evidências e contexto
De acordo com o material original, o problema central é que o Kubernetes entende Pods, Serviços e Jobs, mas não um cluster Ray, um job Ray ou uma aplicação Ray Serve. Sem uma camada de operador, as equipes precisam construir manualmente a mesma tubulação para implantações de cabeça e trabalhador, submissão de trabalhos, autoescalonamento e recuperação de falhas. KubeRay é apresentado como a ponte: ele transforma uma especificação RayCluster nos Pods e Serviços necessários, e reporta o estado do Ray para o Kubernetes por meio de campos de status e Eventos.
O explicador diz que o KubeRay fornece três recursos personalizados principais. O RayCluster é o bloco de construção para clusters de longa duração. O RayJob cria um RayCluster dedicado para uma carga de trabalho em lote único e o desmonta quando o trabalho termina. O RayService gerencia aplicações Ray Serve com alta disponibilidade e atualizações sem tempo de inatividade. A fonte também descreve o RayCronJob para trabalhos recorrentes do Ray.
Para escalonamento e resiliência, o material diz que o KubeRay adiciona autoescalonamento consciente do Ray, baseado em tarefas pendentes, atores e grupos de posicionamento, em vez de depender apenas do Kubernetes Horizontal Pod Autoscaler. Também cita a tolerância a falhas do Global Control Service para recuperar metadados de cluster após uma falha de head-node enquanto mantém aplicações Ray Serve em execução. Sobre escalonamento, a fonte diz que o KubeRay se integra com ferramentas de cota e agendamento em grupo do Kubernetes, incluindo Kueue, MultiKueue, a API de Workload Kubernetes, Volcano, YuniKorn, plugins de escalonador e NVIDIA KAI Scheduler.
Os recursos de segurança e operações listados na fonte incluem autenticação de tokens Ray, Kubernetes RBAC, mTLS, suporte a NetworkPolicy, integração com Prometheus e Grafana, e um Servidor de Histórico para preservar eventos e logs Ray no armazenamento de objetos após a exclusão de um cluster. O material também menciona kubectl ray e um servidor API KubeRay para gerenciamento no estilo operador.
O explicador inclui um exemplo trabalhado em que um RayJob executa uma carga de trabalho de treinamento PyTorch Fashion MNIST no Kubernetes. No resultado do exemplo, o RayJob é mostrado como SUCEDIDO, com o trabalho de treinamento submetido relatando perda de 0.3702628721599095 e precisão de 0.8646. O exemplo é apresentado como documentação, e não como um evento de mercado.
O contexto mais amplo do Ray fornecido com a fonte observa que a última versão oficial na verificação foi Ray 2.59.0, datada de 2026-10-02, após Ray 2.58.0 em 2026-08-23. Essas notas de lançamento são separadas da explicação do KubeRay, mas indicam que o projeto upstream continuou a adicionar LLM, armazenamento e recursos de segurança aproximadamente no mesmo período.
A fonte não fornece contagens de adoção, números de clientes, participação de mercado ou medições comparativas de desempenho para o KubeRay. Também não especifica uma data de produto ou catalisador de lançamento além da própria documentação.