8.2.2 云原生 HPC 集群自动扩缩容

文档摘要

8.2.2 云原生 HPC 集群自动扩缩容当 HPC 作业像潮水一样涌来：我们如何让 Kubernetes 集群在 90 秒内从 4 台 GPU 节点暴增至 32 台，且不触发一次 OOM Kill？你有没有经历过这样的深夜—— 凌晨两点，生物信息团队甩来一个紧急 Slack 消息：“刚跑完 127 个 AlphaFold3 结构预测的参数扫描，下一批 843 个 job 现在排队，deadline 是明早 9 点。集群卡在 16 张 A100 上不动了。” 你扫一眼 Prometheus 面板：已达 16.0，而还钉死在 4。