KubeRay позиционирует рабочие нагрузки Ray внутри Kubernetes
В объяснении AnyScale говорится, что KubeRay — это нативный для Kubernetes слой для масштабного запуска Ray, связывая кластеры Ray, пакетные задания и обслуживание рабочих нагрузок в инфраструктуре, которой уже работают многие команды. Материал позиционирует KubeRay как стандартный способ запуска Ray на Kubernetes и утверждает, что он лежит в основе управляемых предложений Ray от крупных облачных провайдеров.
Доказательства и контекст
Согласно исходному материалу, основная проблема в том, что Kubernetes понимает Поды, Сервисы и Задачи, но не Ray Cluster, Ray Job или Ray Serve. Без операторного слоя команды должны самостоятельно создавать одну и ту же сантехнику для развертывания голов и работников, подачи заданий, автомасштабирования и восстановления после сбоев. KubeRay представлен как мост: он превращает спецификацию RayCluster в необходимые Pods и Services, а также отражает состояние Ray обратно Kubernetes через поля статуса и события.
В пояснении говорится, что KubeRay предоставляет три основных пользовательских ресурсов. RayCluster — это строительный блок для долгосрочных кластеров. RayJob создаёт выделенный RayCluster для одной пакетной нагрузки и разбирает его после завершения работы. RayService управляет приложениями Ray Serve с высокой доступностью и обновлениями без простоя. Источник также описывает RayCronJob для повторяющихся заданий Ray.
Для масштабирования и устойчивости в материале говорится, что KubeRay добавляет автомасштабирование с учётом Ray на основе ожидающих задач, акторов и групп размещения, а не только на Kubernetes Horizontal Pod Autoscaler. Также отмечается отказоустойчивость Global Control Service для восстановления метаданных кластера после отказа головного узла, при этом сохраняя работу приложений Ray Serve. Что касается планирования, источник сообщает, что KubeRay интегрируется с инструментами Kubernetes для квот и группового планирования, включая Kueue, MultiKueue, Kubernetes Workload API, Volcano, YuniKorn, плагины планировщика и NVIDIA KAI Scheduler.
Функции безопасности и операций, перечисленные в исходном коде, включают аутентификацию токенов Ray, RBAC в Kubernetes, mTLS, поддержку NetworkPolicy, интеграцию Prometheus и Grafana, а также сервер истории для сохранения событий и логов Ray в объектном хранилище после удаления кластера. В материале также упоминаются kubectl ray и API Server KubeRay для управления в стиле оператора.
В пояснение приводится проверенный пример, в котором RayJob выполняет обучающую нагрузку PyTorch Fashion MNIST на Kubernetes. В примере выхода RayJob отображается как УСПЕШНЫЙ, при этом представленная обучающая вакансия сообщает о потере 0.3702628721599095 и точности 0.8646. Пример представлен как документация, а не рыночное событие.
Более широкий контекст Ray, предоставленный источником, отмечает, что последним официальным релизом на момент верификации был Ray 2.59.0, датированный 2026-10-02, после Ray 2.58.0 2026-08-23. Эти заметки к релизу отделены от объяснения KubeRay, но они указывают на то, что upstream проект продолжал добавлять LLM, функции хранения и безопасности примерно в тот же период.
Источник не предоставляет данные о внедрении, данных о клиентах, доле рынка или сравнительных показателях производительности KubeRay. Также не указывается дата выхода продукта или катализатор запуска, кроме самой документации.