AWS SageMaker HyperPod 推出多项基础设施与集群管理功能
先了解这件事
AWS 在 SageMaker HyperPod 中陆续推出工作负载恢复、增强型可观测性及集群扩展功能,旨在提升 GPU 训练故障检测效率与管理灵活性。 11月19日,AWS 发布 MultiNodeTrainingValidation、Kubernetes 资源监控代理及 Slurm 挂起作业检测功能,声称能更早发现训练故障并提升集群 goodput。随后于 11月20日,推出增强型基础设施可观测性,通过 CloudWatch DetectGroupOutliers API 识别异常加速卡,并基于静态规则检测硬件故障、网络降级及过热等失效模式,默认指标采集间隔为 30 秒。 11月21日,AWS 进一步推出集群扩展(Cluster Extensions)功能,为 Slurm 集群提供声明式管理的软件配置能力。首发包含可观测性扩展和用户管理扩展,支持通过 API 或控制台进行安装、配置与更新。
AI 根据报道生成 · 20 小时前更新
事件进展
2 个进展
- 11月20日 00:41 · 2 篇报道Amazon SageMaker HyperPod发布增强基础设施可观测性AWS Machine Learning Blog:Amazon SageMaker HyperPod 发布增强型基础设施可观测性
- 11月19日 07:03 · 1 篇报道AWS发布SageMaker HyperPod工作负载恢复与基础设施检查功能AWS Machine Learning Blog:Amazon SageMaker HyperPod 推出工作负载恢复与基础设施检查功能
报道时间线
沿着报道,了解事件的不同侧面。
- AWS Machine Learning BlogAmazon SageMaker HyperPod 发布集群扩展功能
Amazon SageMaker HyperPod 推出集群扩展(Cluster Extensions),为 Slurm 集群提供可声明式管理的软件配置能力。该功能首发包含可观测性扩展(sagemaker-observability)和用户管理扩展,支持通过 API 或控制台进行安装、配置与更新。
- AWS Machine Learning BlogAmazon SageMaker HyperPod 发布增强型基础设施可观测性
Amazon SageMaker HyperPod 推出增强型基础设施可观测性,帮助团队更快诊断 GPU 训练问题。该功能通过 CloudWatch DetectGroupOutliers API 识别异常加速卡,并基于静态规则检测硬件故障、网络降级及过热等常见失效模式。默认指标每 30 秒采集一次,新增的 CloudWatch 作为默认度量存储提供更低价格和更紧密的控制台集成。
- AWS Machine Learning BlogAmazon SageMaker HyperPod 推出工作负载恢复与基础设施检查功能
Amazon SageMaker HyperPod 推出 MultiNodeTrainingValidation、Kubernetes Resource Monitoring Agent 和 Hung job detection 三项新功能,旨在更早发现训练故障并提升集群 goodput。
本事件热度走势
- 可比范围当前
- 6
- 可比范围峰值
- 1011月20日 01:00
- 近 24 小时变化
- +19%
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。