/admin/capacity 上两个标签页,仅管理员。它们本来就是一起读的:一个说硬件有多忙,另一个说到底有
哪些硬件。
旧的
/utilization 和 /fleets 链接都落到这里。?tab=fleets/<fleet-id> 打开某一个 Fleet 的
机器,它们自己就能占满一页。
Utilization 标签页
unschedulable 不等于忙。一张卡落到那里,是因为健康检查发现了待退役的 ECC 或未纠正错误,或者有
平台之外的进程占着它。
Fleets 标签页
一个 Fleet 是由一种后端管理的、已注册的命名机器集合,也是作业或 deployment 被放置到的对象。
这四种清点状态从不互相取整。一个 unknown 的读数什么都不能证明,所以它既不拒绝任何作业、也不
靠兜底准入任何作业,而一个没上报的卡数读作
null 而不是 0。一个连不上的后端不是一个什么都没有
的集群。
发现说的是存在什么。它从不说什么是空闲的。
你能做什么
只有
node Fleet 在这里注册机器。Kubernetes 和 Slurm 管理各自的节点,因此 Join Token、节点凭据和心跳仅用于 node Fleet。在一个
kubernetes Fleet 上索要一个会被拒绝,而不是产出一条没有东西能兑现的记录。
外部清点是只读的。平台不会 cordon 一个 Kubernetes 节点,也不会 drain 一个 Slurm 分区:一个去改动
别人调度器的控制面,需要一个这个平台还没给出的论证。