Copied


NVIDIA DSX OS 提升 Kubernetes GPU 集群效率

realtime news   Nov 05, 2026 18:16 1 Min Read


NVIDIA 最近推出了一项全面解决方案,通过其 DSX OS 平台提升 Kubernetes GPU 集群的效率和可靠性。这款开源软件是 NVIDIA 更广泛的 DSX AI Factory 平台的一部分,集成了用于配置、认证和监控 GPU 加速基础设施的工具,旨在解决分布式 AI 工作负载中的关键挑战。

解决 GPU 集群低效问题

表现不佳的 GPU 可能会阻碍分布式训练作业,即使基本健康检查显示正常利用率。NVIDIA 指出,此类问题可能在集群生命周期的各个阶段出现,从初始配置到持续运营。传统的利用率等指标常常无法捕捉低效,促使人们需要更可靠的验证方法。DSX OS 引入了一种“良好产出”指标,测量成功完成工作的量,以提供更清晰的集群性能图景。

DSX OS 的关键组件

DSX OS 平台包括三个开源工具,每个工具针对集群生命周期的特定阶段:

  • 配置:NVIDIA AI Cluster Runtime (AICR) 建立 GPU 优化 Kubernetes 基础设施的可重现基线。它定义了组件(如网络、存储和驱动程序)的版本锁定配置食谱。这些食谱被渲染为与现有工具(如 Helm 和 Argo CD)兼容的部署工件。
  • 认证:NVIDIA Cluster Readiness Engine (NVCRE) 验证集群在生产工作负载下的准备情况。它运行 AI 工作负载和诊断,包括 NVIDIA Collective Communication Library (NCCL) 测试,以识别故障节点并确保工作负载的可靠性。
  • 操作:NVSentinel 监控集群健康,管理故障修复,并协调重新验证。它可以自动隔离或标记不健康节点,排空工作负载,并在节点重新投入服务前与 NVCRE 触发重新验证。

所有三种工具均在 Apache 2.0 下获得许可,并向外部贡献者开放。

生命周期管理实践

DSX OS 工作流程遵循结构化的生命周期:配置、认证、监控和再认证。例如,AICR 生成定义固定版本、依赖关系图和每个组件健康声明的食谱。这些食谱被渲染为部署工件,确保一致性并启用漂移检测。NVCRE 然后通过运行分布式 AI 工作负载来确认集群的准备情况,而 NVSentinel 在操作过程中持续监控和管理节点健康。

战略意义

NVIDIA 的 DSX OS 旨在减少 AI 基础设施中的低效和操作风险。通过将配置、认证和监控集成到统一平台中,它解决了可能导致计算资源浪费和闲置节点的可见性差距。该工具旨在与现有部署管道协同工作,最大限度减少运营商的干扰。

虽然 NVIDIA 尚未提供具体的性能基准或全舰故障率降低的数据,但该平台专注于可重现性和故障检测与对弹性 AI 基础设施日益增长的需求相符。发布于 2026-11-05 的 DSX OS 演示强调了 NVIDIA 致力于通过开源创新推动 AI 工厂效率的承诺。


Read More