Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Vorgeschlagene Resilienz
Wenn die Deep Health Checks aktiviert sind und dem Cluster eine neue Instance hinzugefügt wird (entweder während der HyperPod Clustererstellung oder durch automatischen Knotenaustausch), durchläuft die neue Instance für etwa ein paar Stunden den Deep Health Check-Prozess (Stresstests auf Instanzebene). Im Folgenden werden je nach möglichen Fällen Kombinationen von Resilienz-Konfigurationen vorgeschlagen.
-
Fall: Wenn Sie zusätzliche Ersatzknoten innerhalb eines Clusters als Backup-Ressourcen haben (ohne die volle Kapazität zu nutzen), oder wenn Sie etwa 2 Stunden warten können, bis der gründliche Integritätscheck durchgeführt wird, um die weniger fehleranfälligen Instances zu finden.
Empfehlung: Aktivieren Sie die Konfiguration für die umfassende Integritätsprüfung während des gesamten Cluster-Lebenszyklus. Die Konfiguration für die automatische Wiederherstellung von Knoten ist standardmäßig aktiviert.
-
Fall: Wenn Sie keine zusätzlichen Backup-Knoten haben (die Kapazität ist für einen Teil der Trainingslast voll ausgeschöpft). Sie möchten die Ersatzknoten so schnell wie möglich erhalten, um den Trainingsjob wieder aufnehmen zu können.
Empfehlung: Aktivieren Sie den Deep Health Check während der Clustererstellung und schalten Sie dann die Konfiguration für die tiefe Integritätsprüfung aus, nachdem der Cluster erstellt wurde. Die Konfiguration für die auto Wiederherstellung von Knoten ist standardmäßig aktiviert.
-
Fall: Wenn Sie keine zusätzlichen Backup-Knoten haben und nicht auf den ~2-stündigen umfassenden Zustandstest warten möchten (kleine Cluster).
Empfehlung: Deaktivieren Sie die Konfiguration für die umfassende Integritätsprüfung während des gesamten Cluster-Lebenszyklus. Die Konfiguration für die auto Wiederherstellung von Knoten ist standardmäßig aktiviert.
Wenn Sie den Trainingsjob nach einem Ausfall sofort fortsetzen möchten, stellen Sie sicher, dass Sie über zusätzliche Ersatzknoten als Backup-Ressourcen im Cluster verfügen.
