第 4 章 JobSet Operator

使用 OpenShift Container Platform 上的 JobSet Operator 来管理大型、分布式和协调的计算工作负载，如高性能计算(HPC)或人工智能(AI)培训，并获得自动稳定性、协调和故障恢复。

JobSet Operator 基于 JobSet 开源项目。

JobSet Operator 旨在将一组作业作为一个协调的单元进行管理。这对 HPC 和培训大规模 AI 模型等字段特别有用，您需要机器团队在数小时或天内运行。

您可以使用 JobSet Operator 解决标准 OpenShift Container Platform 作业太大或过于复杂的问题。JobSet Operator 提供协调、稳定性和恢复。

JobSet Operator 会自动设置稳定的无头服务来获取 IP 地址，以便 worker 可以查找并相互通信，即使在失败并重启后也是如此。它还提供自动故障恢复。如果大型培训工作的一个小部分失败，可以将 Operator 配置为从保存的检查点重启整个 worker 组。这会节省时间和计算成本。

JobSet Operator 提供了启动控制，允许您定义特定的启动序列来确保满足依赖项。例如，确保在任何 worker 尝试连接前运行领导机。

JobSet Operator 使得在 OpenShift Container Platform 上管理大型、分布式和协调的计算任务变得更加简单，将多个独立组件变为一个弹性且可管理的系统。