Netflix 如何为大规模训练与推理任务保障 GPU 算力可靠性

Netflix 披露其 GPU 基础设施可靠性方案：通过节点硬件健康检查、调度平台重试与机器回收、训练循环 checkpoint 与弹性 worker 四层机制，让跨数百块 GPU、持续数周的训练任务在硬件故障时仍能存活。方案运行在其 Kubernetes 原生 Compute 平台上，可自动检测故障 GPU 与网络链路并修复，无需人工介入。