07. 调度与云原生

本章定位：本章节聚焦 Slurm 与 Kubernetes 在 AI-HPC 场景中的协同。

重点能力

• 作业调度与资源隔离
• 容器化训练工作流
• 多集群协作与弹性扩展

🧭 阅读地图

• 前置章节：06. 自动化装机——先有统一版本的基础环境，再谈调度
• 本章定位：第二部 L2 调度章——Slurm 与 Kubernetes 双线：传统 HPC 作业与云原生推理服务
• 推荐顺序：Slurm 主线（安装→实践→用户指南）→ K8s 主线（GPU 调度→vLLM 生产）
• 下一章：07. 异构计算——调度的对象不只是 NVIDIA，还有异构加速卡

文章目录

Kubernetes GPU 调度实战：从 Device Plugin 到共享 GPU

以可复现清单逐段拆解 K8s GPU 调度：Device Plugin 工作原理、共享 GPU 方案（MPS/时间片）、GPU 监控与配额、与 Slurm 的协同定位，附工程启示。

阅读文章 →

Rocky Linux 9 HPC 集群部署全流程

基于 Rocky Linux 9.4 的 HPC 集群全栈部署指南，涵盖系统初始化、NFS、MUNGE、MariaDB、Slurm 24.05 及 Prometheus 监控。

阅读文章 →

Slurm 实战：基于 Docker 的分布式训练提交模板

详解如何通过 Slurm 调度系统提交包含 Docker 容器环境的分布式训练任务，附 Megatron-LM 完整作业脚本。

阅读文章 →

Ubuntu 22.04 + Slurm 24.05 集群部署实战

基于 Ubuntu 22.04 的 HPC 集群全流程部署记录，涵盖 Netplan 网络配置、NVIDIA 驱动、Slurm 24.05 源码编译、Cgroup v2 适配及 PyTorch 作业提交测试。

阅读文章 →

Slurm 作业提交与管理指南

面向最终用户的 Slurm 使用手册，涵盖基础提交模板、多机多卡 (Distributed Training) 示例、常用命令及参数详解。

阅读文章 →

Kubernetes 推理服务生产化：vLLM 从 Deployment 到高可用

编排侧落地：GPU 配额、滚动更新、优雅退出、HPA 与监控。

阅读文章 →

K8s AI 调度账：GPU 共享、拓扑感知与弹性伸缩

整卡到碎片的三层抽象、拓扑感知调度与通信放大、推理弹性 vs 训练队列、与 Slurm 定位对比。

阅读文章 →

Kubernetes + RAGFlow 极速部署指南

在 Ubuntu 22.04 虚拟机上一次性成功部署 Kubernetes 集群并运行 RAGFlow 智能检索应用的全流程实战手册。

阅读文章 →

Docker 部署 NVIDIA PyTorch 环境指南

基于 NVIDIA NGC 官方镜像，详解 PyTorch 容器的拉取、启动参数配置、SSH 服务搭建及 VSCode 远程调试全流程。

阅读文章 →