爱折腾的工程师

未来的你会感谢现在努力的自己

MindCluster 架构与实践：从 NPU 调度、故障诊断到大模型训练容错

从本地 mind-cluster 源码和 MindCluster 7.1.RC1 官方文档出发，拆解昇腾 NPU 集群的软件栈、调度闭环、故障诊断与训练容错机制

本文遍历本地 mind-cluster 代码库，并结合昇腾社区 MindCluster 7.1.RC1 官方文档，系统梳理 MindCluster 的产品定位、组件架构、NPU 调度闭环、故障诊断、资源监测、Checkpoint 加速和训练容错能力。文章包含架构图、调度流程图、源码入口、YAML 示例和实践步骤，帮助读者理解如何用 MindCluster 构建可调度、可观测、可恢复的昇腾 AI 集群。

Posted by iceyao on Thursday, April 30, 2026

Virtual Kubelet 源码深度解析：分布式高可用架构全面剖析

深入 Virtual Kubelet 源码，剖析其如何通过 Lease 心跳、三路合并、双控制器架构和多级重试实现分布式高可用

从源码层面全面拆解 Virtual Kubelet 的核心架构，包括 NodeController、PodController、Lease 心跳机制、三路合并策略、Ping 健康检测、Pod 同步循环和多级错误恢复机制，帮助你理解这个将 Kubernetes API 延伸到任意计算平台的开源项目如何实现高可用。

Posted by iceyao on Wednesday, April 15, 2026

HAMi vGPU学习笔记

HAMi vGPU学习笔记

Posted by iceyao on Wednesday, December 11, 2024

kubeadm + containerd部署k8s v1.27.1

kubeadm + containerd部署k8s v1.27.1

Posted by iceyao on Tuesday, May 9, 2023

一文读懂集群全生命周期管理

1. 集群全生命周期管理简介集群全生命周期管理，包括集群的部署、更新、升级，以及后期集群的扩容/缩容等操作。传统模式下的集群全生命周期管理大多数

Posted by 爱折腾的工程师 on Friday, March 11, 2022