NVIDIA Mission Control 2.5 étend la récupération autonome à Kubernetes
NVIDIA a déclaré le 2026-10-26 que Mission Control 2.5 étend son moteur de récupération autonome aux charges de travail basées sur Kubernetes gérées avec NVIDIA Run :IA, déplaçant un cadre de résilience auparavant limité aux tâches de calcul haute performance basées sur Slurm dans des environnements Kubernetes. L’entreprise a présenté cette mise à jour comme faisant partie d’une volonté plus large d’auto-réparation IA’infrastructure d’usine, où de grandes sessions d’entraînement peuvent se poursuivre avec moins d’intervention manuelle en cas de défauts matériels ou logiciels.
Preuves et contexte
Selon le blog technique de NVIDIA publié le 26 octobre , le moteur de récupération autonome de Mission Control combine deux services : récupération autonome de tâches et récupération matérielle autonome. Dans la configuration Kubernetes, Run :IA agit comme planificateur par défaut, tandis que le service de récupération de tâches utilise le contexte de la charge de travail, l’historique des pannes et la topologie des tâches pour décider si une charge doit redémarrer, réessayer, remettre en file d’attente ou être placée ailleurs. La couche de récupération matérielle surveille les nœuds et les GPU, isole les anomalies de la planification et effectue des diagnostics ou des remédiations afin que les équipements suspects ne circulent pas dans de nouveaux jobs.
L’entreprise a décrit trois voies de récupération. Dans un scénario de panne matérielle pendant la formation, le système peut redémarrer ou reprogrammer les charges de travail sur des nœuds en bonne santé pendant que le nœud défectueux est isolé et diagnostiqué. Pour les pannes logicielles transitoires, il peut réessayer selon la politique du planificateur sans mettre en quarantaine du matériel sain. Si une dégradation est détectée tôt, il peut retirer un nœud de la planification avant qu’un travail ne s’y pose. NVIDIA a indiqué que la séparation des fonctions de planification, de contexte de travail et de santé matérielle vise à rendre le modèle portable entre les orchestrateurs.
Les notes de version dans le matériel de fond vérifié ajoutent des détails techniques au-delà de l’article de blog, notamment Run :IA 2.26, Base Command Manager 11.34.0, l’intégration de la récupération avec le planificateur KAI via les opérateurs de formation Kubeflow PyTorch, et NVRx 0.6.0 prise en charge du checkpointing asynchrone. NVIDIA met également en avant les améliorations centralisées de l’authentification Keycloak, la sécurité et les mises à jour de durcissement Kubernetes dans cette version.
Les mêmes notes de version fixent également des limites à la mise à jour. Le support de Vera Rubin NVL72 est décrit comme un accès anticipé uniquement pour le démarrage essentiel de Base Command Manager, et Run :IA ainsi que le moteur Autonomous Resiliency ne sont pas pris en charge sur cette plateforme dans cette version. Minerva network-telemetry et AIOps, ainsi que NVIDIA Dynamic Power Software, sont considérés comme des bêtas pré-lancement plutôt que comme composants standards.