AWS 为 SageMaker HyperPod Slurm 集群推出托管扩展,可观测与用户管理 API 化

AWS ML Blog · rss · 2026-11-21

AWS 宣布为 Amazon SageMaker HyperPod 的 Slurm 集群推出 cluster extensions,把运行中节点上的软件管理也纳入声明式 API 体系,首批提供可观测性与用户管理两个托管扩展。

背景:六层配置的声明式演进

HyperPod 已在 2026 年把集群定义、节点设置、容量、网络拓扑、硬件健康这五层配置做成声明式:API 驱动的 Slurm 配置、基于 AMI 的节点软件、持续供给重试、自动拓扑管理与深度健康检查(GPU 压力测试 + NCCL 连通性测试)。但第六层——节点上持续变化的软件(exporter、监控组件等)此前只能靠 lifecycle 脚本,脚本只在节点供给时执行,每次改动要重跑或换节点,且无状态汇报,导致节点随时间漂移。

cluster extensions 的机制

首批两个扩展

共六个扩展 API(安装、配置、升级版本列举等),CLI/SDK 可脚本化管理并纳入版本控制。组织特定软件仍建议走自定义 AMI 与 lifecycle 脚本;保留对节点(含 controller)的完整 SSH 访问,维护与控制力的平衡由用户自己掌握。

原文链接 →

「Infra」频道最新

更多「Infra」频道 AI 资讯 →