Amazon ECS 现可自动修复故障 GPU 与实例,对 SRE 意味着什么
Amazon ECS 新增 GPU 健康监控与 Auto Repair 能力,可自动检测并替换出现硬件故障的实例。它通过集成 NVIDIA 的 Data Center GPU Manager(DCGM)识别真实硬件错误,并监控 EC2 状态检查、ECS agent 与容器运行时;在 Fargate 和 Managed Instances 上,持续失去 agent 连接的实例也会被判定为受损并回收。
匹配字段摘要、正文