- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习与python
一文看懂业界在离线混部技术
(注：离在线混部计划另文阐述) 图 1 混部示意图 在离线混部的成本价值 为了更形象的了解在离线混部的成本价值，我们来看一个中小型企业，4 核 8G 的机器一共有 1000 台，主要计算资源就是 阿里等大厂也成功借助混部将资源利用率提升了 3 倍以上，成本节省可观。 在离线混部的技术门槛 在离线混部虽然有明显的成本价值，但目前真正落地到生产环境的还是只有头部的一些大厂。 引入在离线混部之后，势必需要打破部门墙，对成本和利用率计算有一个能融合能分解的调整，才能准确反映出混部的巨大成本价值并持续精细化运营。 以下是美团某部门精细化成本运营后的分解图： 图 2 成本指标分解图 业界在离线混部方案解析 方案拆分 通过对目前业界在离线方案方案的分析，我们可以抽象出在离线混部方案的三个划分维度： 从在离线混部的隔离类型上 如果服务是混部于同一台物理机上，属于共享内核；如分属于不同物理机，则属于独占内核。 从在离线混部的部署底座上，可以分为物理机部署和容器部署。 从在离线混部的调度决策上，可以分为静态决策和动态决策。
2K31编辑于 2022-03-22 - 来自专栏腾讯大数据的专栏
Caelus—全场景在离线混部解决方案
本篇文章结合腾讯技术团队在混部方面的落地和实战经验，来介绍各类场景下在线离线混部的相关概念、面临的问题及混部技术方案，抛砖引玉，供大家交流。 图2 混部的场景 业内研究 在线离线混部对于提高集群利用率是非常有意义的，无论是在学术界，还是各大厂商实际落地，都对混部做了深入的研究。 ；3）对应用有依赖性，比如需要依赖应用是无状态的，可以被自动迁移等；4）不能很好保证应用服务质量，做不到安全混部；5）混部的场景有限。 基于上述因素，我们决定打造一个基于云原生的在线离线混部平台（Caelus），零入侵k8s，可移植，覆盖多场景，适用于大规模集群。 Caelus混部架构 Caelus在线离线混部架构设计如图3： ? 图3 Caelus混部架构 设计以k8s为依托，实现了以下关键技术，如： (1) 任务定级：制定了任务级别标准，用于对应不同优先级资源。
10.1K71发布于 2020-12-14 - 来自专栏深度学习与python
4 个月节省千万成本的机器学习混部实践
在今年 9 月份的 QCon 全球软件开发大会（北京站），贝联珠贯 (www.lccomputing.com) 合伙人王元良老师以《增强型 RunC 的最佳实践：克服离线高压力混部场景的关键挑战》为题， 所以在混部出让算力时，优先需要考虑的是高压力场景下，业务如何稳定运行的问题。 ，优先 KILL 低优先级任务 三级告警，LCC-Agent 直接 kill 非白名单进程 机器夯死问题得到解决，混部解决掉最关键的资源卡点问题，稳定性问题收敛，未再出现此类问题 实施效果 在产品上线前 集群维度感知，先于业务发现问题 前期为了了解客户混部集群中的各种资源问题状态，我们采用手动脚本单台机器日志并聚类的方式来拿到结果；这种方式耗时长 (两周一次)、只能分析问题大类、没法观察问题走势和分布等 混部后单机压力与复杂度指数级上升，需要高频全视角的分析问题，这种方式不再适用。需要一套能分钟级展示、多视角、自动聚类分析的手段，包括时间对比、子系统分布、问题大类、问题子类、业务角度等。
90110编辑于 2023-10-02 - 来自专栏云计算技术笔记
谷歌Borg论文阅读笔记（二）—— 任务混部和资源隔离
相关笔记：谷歌Borg论文阅读笔记（一）—— 集群操作系统 Google的混部情况 Google几乎所有的机器都是混部的，在一台机器上，可能运行着不同jobs的tasks。 这里主要讲的是Google对任务混部对CPU性能影响的研究。 Google为了评估不同任务部署到同一个机器的CPU干扰影响做了一个实验。 在专用cells中，CPI平均值为1.53（σ = 0.32），CPU性能在共享cells中有大约下降3%。 资源分类 混部的一大问题是某个资源不足的情形。但是，不同的资源有不同的特点，有的资源能快速调整，而有的则需要很大的代价来调整。 总结 应用混部，尽可能使用多线程。 使用轻量级的隔离机制，而不是VM。 合理的对资源超分配，以此提高资源利用率。很多任务并不是任何时刻都会用到很多资源。 对任务和资源进行分级。
1.2K30编辑于 2022-09-07 - 来自专栏岚的工作随笔
Spring Boot 3 混元 Starter 创建指南
因为是为混元大模型构建的项目，所以就叫他hunyuan-spring-boot-starter。依赖一定要含有spring-boot-starter，如果是子项目，那么在父工程中就需要引入。 artifactId> </exclusion> </exclusions> </dependency>写在最后经过一番洗礼，对于需要自动配置的东西和混元
88550编辑于 2024-10-07 - 来自专栏腾讯云原生团队
混部之殇-论云原生资源隔离技术之CPU隔离(一)
导语 混部，通常指在离线混部(也有离在线混部之说)，意指通过将在线业务(通常为延迟敏感型高优先级任务)和离线任务(通常为 CPU 消耗型低优先级任务)同时混合部署在同一个节点上，以期提升节点的资源利用率 混部(混合部署)因此应运而生。这里的“混”，本质上就是“区分优先级”。狭义上，可以简单的理解为“在线+离线”(在离线)混部，广义上，可以扩展到更广的应用范围：多优先级业务混合部署。 SCHED_IDLE 类任务本质上是有一个权重为3的 CFS 任务，其与普通任务的时间片分配权重比为：1024:3，约为334:1，此时离线任务的 CPU 占用率约为0.3%。时间片分配如： ? 超线程干扰问题是混部场景中的关键问题，而 CFS 在最初设计时是(几乎)完全没有考虑过的，不能说是设计缺失，只能说是 CFS 并不是为混部场景而设计的，而是为更通用的、更宏观的场景而生。 不太适合(云原生)混部场景。 本质还是：Core scheduling 亦非为云原生混部场景而设计。 结论 综合前面的分析，可以抽象的总结下当前现有的各种方案的优点和问题。
4.1K94发布于 2021-05-10 - 来自专栏python3
AS3部署调试
一般AS3开发的项目会放在WEB上 , 那就涉及到远程的调试.
58720发布于 2020-01-14 - 来自专栏腾讯大数据的专栏
助力成本优化，腾讯全场景在离线混部系统Caelus正式开源
对此，业内一直在进行诸多探索，在线离线混部被认为是解决该问题的终极方案。 由于很多大数据任务具有实时性要求不高、运行时间较短、使用碎片资源等特点，而在线应用的资源使用通常具有潮汐的特点，因此大数据任务比较适合复用在线应用的空闲资源，但混部也面临诸多核心技术难题，具体包括： 大部分混部系统只针对云原生场景 ，限制了可以混部的场景； 在内核层、容器层缺乏完善的资源隔离、热迁移等机制，导致容易发生干扰，且处理干扰代价高； 混部调度器缺乏在离线应用调度的兼容性、高性能以及SLA保证。 解决这些问题，也是Caelus混部研发的初衷。 充分兼容的架构设计 Caelus Caelus为了适应各种的混部场景，遵循了几个关键原则，主要包括： 不改变业务使用方式，便于业务迁移到Caelus混部平台。
1.6K40发布于 2021-11-10 - 来自专栏腾讯开源的专栏
助力成本优化，腾讯全场景在离线混部系统Caelus正式开源
对此，业内一直在进行诸多探索，在线离线混部被认为是解决该问题的终极方案。 部分混部方案要求大数据必须云原生化改造，增加了依赖条件； 3. 资源复用在粒度、灵活性、时间等方面策略都不够精细，导致利用率不高； 4. 混部调度器缺乏在离线应用调度的兼容性、高性能以及SLA保证。 解决这些问题，也是Caelus混部研发的初衷。 充分兼容的架构设计 Caelus为了适应各种的混部场景，遵循了几个关键原则，主要包括： 1. 不改变业务使用方式，便于业务迁移到Caelus混部平台。 不论是对hadoop，还是对k8s，都是零入侵的实现，因此保证了对多种版本的兼容性，以及后续的可扩展性； 3. 非耦合、可扩展的架构。
87441发布于 2021-11-18 - 来自专栏腾讯云原生团队
qGPU 容器产品全量上线，重磅发布 GPU 在离线混部功能
徐蓓，腾讯云容器技术专家，腾讯云异构计算容器负责人，多年云计算一线架构设计与研发经验，长期深耕 Kubernetes、在离线混部与 GPU 容器化领域，Kubernetes KEP Memory QoS 除此之外，腾讯云 qGPU 创新性的将在离线混合部署技术与 GPU 相结合，在业界首次实现了 GPU 在离线混部的方案，将 GPU 容器共享技术推进到了下一个纪元。 在线业务通常指推理业务，离线业务可能是推理、也可能是训练，于是在离线混部主要形式有 推理 + 推理、推理 + 训练。 在具备 qGPU 在离线混部能力之后，用户可以安全地将在线业务与其他业务部署在同一张 GPU 卡，在共享复用资源的同时，可以完全保障在线业务健康、稳定运行。 可以说，腾讯云 qGPU 在离线混部是提升 GPU 利用率的创新性的突破技术。
1.7K30编辑于 2022-03-10 - 来自专栏腾讯云原生团队
TKE 算力集群：新一代跨集群混部资源引擎
针对上述难题，业界公认的解决方式是 “在离线混部”技术（如 Koordinator，Caelus，Katalyst，Crane）。 但混部并非“银弹”，当企业将混部能力从单个集群扩展到全局多个集群时，资源仍然被物理集群边界锁死。 方案默认集成了多集群资源管理、Crane 扩展调度 、混部隔离保障的 RUE 内核以及超大规模集群管控功能，全面降低用户在跨集群管理、资源调度和在离线混部上的维护复杂度。 3 架构拆解：如何做到全域协同 如下图所示，算力集群的资源管控能力主要由 Kubeocean 套件承载，包括负责业务集群注册和生命周期管理的 Manager、资源计算和业务创建的 Syncer 和请求代理 全局视图统一管理混部资源：通过穿透集群边界将分散在各个集群的闲置CPU、GPU节点资源抽象为虚拟节点（vNode），在上层形成全局算力池统筹管理闲置资源。
1.4K20编辑于 2025-10-31 - 来自专栏云原生
腾讯云Serverless容器混部实战（如何提升集群利用率至65%）
本文将深入剖析腾讯云团队如何借助Serverless容器技术与深度混部策略，在保障核心业务SLA的前提下，将生产集群利用率稳定提升至65%以上，并分享实战中沉淀的关键技术与踩坑经验。 三、实战精要：混部架构设计与核心策略目标： 在共享资源池内同时部署延迟敏感型在线服务（如API、Web）与资源消耗型离线作业（如Spark、Flink、AI训练），互不干扰。 四、稳定性守卫：多维熔断与逃生机制混部的最大风险在于资源争抢导致在线业务抖动。 五、效果验证：从理论到生产的数据飞跃在日均百亿请求的电商核心集群落地混部方案：指标 混部前 混部后 提升幅度集群CPU利用率 22% 68% 混部方案需结合业务特性深度调优，不可直接复制参数。
78410编辑于 2025-07-08 - 来自专栏腾讯云原生团队
【云原生下离在线混部实践系列】深入浅出 Google Borg
作者徐蓓，腾讯云专家工程师，长期从事云计算 IaaS、PaaS 架构和研发工作，现负责腾讯云 TKE 资源调度、离在线混部、大数据云原生化等领域。 Google Borg 是资源调度管理和离在线混部领域的鼻祖，同时也是 Kubernetes 的起源与参照，已成为从业人员首要学习的典范。 Isolation 由于 Google Borg 天生就考虑混部场景，所以资源隔离对其尤为重要。 Google Borg 作为 Google 内部的经验结晶，系统的阐述了混部应有的基本形态，很有启发意义。 后续会持续分享混部相关的理论和实战经验。
2.3K21发布于 2020-05-26 - 来自专栏腾讯云原生团队
年终大禧 | 腾讯云 Crane 国内首批通过云原生混部技术评估
2023 年 1 月 9 日云原生产业联盟（CNIA）举办 2022 年度线上年会，中国信通院云大所云计算发布了云原生系列测评成果，腾讯云主导开源的云原生成本优化项目 Crane 首批通过“云原生混部” 腾讯云自 2015 年起在混部领域进行探索，在支撑海量自研业务上云的过程中广泛使用。目前管理规模已达数千万核，混部能力使服务器资源利用率从30% 提升至 65%。 云原生混部解决方案依托容器、微服务、平台编排调度等云原生技术，帮助用户将业务负载与大数据分析、人工智能计算等不同优先级的应用混合部署到共享的基础设施上，提高资源利用率，实现“降本增效”。 在此背景下，中国信通院牵头，联合腾讯云等多家云服务商，经过多轮研讨，形成了《云原生混部技术能力要求》标准。 标准涉及基础设施能力要求、平台混部能力要求、业务应用能力要求，以及混部效果评价四个部分，从资源隔离、资源复用、干扰检测、负载反馈、任务调度、资源预测、应用服务质量等不同维度，对混部产品及解决方案进行全面评估
1.9K30编辑于 2023-01-30 腾讯混元生3D产品概要
一、 产品定位与核心亮点 腾讯混元生3D 是基于腾讯自研大模型的AI 3D内容生成平台。 二、 产品应用场景 产品主要服务于以下客群，解决其在特定业务场景下的痛点： 3D打印厂商：支持用户快速生成3D模型进行打印，解决模型供给速度慢的问题。 功能框架 产品提供多元化的生成与处理能力，涵盖以下模块： 生成类：文生3D、3D人物生成、草图生3D、组件生成、纹理生成。 处理类：白模生成、智能拓扑、UV展开。 2. 解决方案：应用腾讯混元生3D技术。 成效：原文未提供具体量化指标。 2. Lovart 背景：Lovart 属于泛互行业，定位为平台工具厂商。 解决方案：应用AI技术能力。 解决方案：利用平台能力支持用户快速生成3D模型进行打印。 成效：原文未提供具体量化指标。 数据来源：<腾讯混元生3D产品手册>
44710编辑于 2026-06-01腾讯混元生3D产品概要
一、 产品定位与核心亮点 腾讯混元生3D是一款基于腾讯自研大模型的AI 3D内容生成平台。 其核心商业差异化在于，能将传统需数天完成、成本数千元的专业3D建模工作，压缩至 “分钟级完成、成本仅数元”，旨在帮助企业实现极致降本增效与业务创新。 二、 产品应用场景 产品主要服务于三类目标客群在特定业务场景下的需求： 3D打印厂商：支持用户快速生成3D模型进行打印。 家装设计平台：满足大量商品3D化及客户DIY装修素材的生产需求。 平台工具厂商：为已具备丰富网站AI能力和素材工具的平台增强其3D内容生成能力。 三、 应用框架和功能介绍 功能框架 产品提供多元化的生成模块，包括： 文生3D 3D人物生成 白模生成 草图生3D 智能拓扑 纹理生成 组件生成 UV展开 硬核指标 建模精度：支持1536³分辨率、36
29710编辑于 2026-06-01- 来自专栏伪架构师
Volcano：在离线作业混部管理平台，实现智能资源管理和作业调度
本文结合华为云云原生团队在混合部署方面的研究和实战，介绍了混合部署的背景、概念、混部技术的设计方案和实际落地情况，以及对未来的计划和展望。 基于Volcano混合部署解决方案如下图所示： 图 3 基于Volcano混合部署架构 02 Volcano混部调度能力 目前Kubernetes的默认调度器是以Pod为单位进行调度的，不区分Pod中运行的业务类型 因此无法满足混部场景对资源分配的特殊要求。 资源超卖及在离线作业混部必然会导致不同作业之间的相互干扰，因此除了通过cgroup进行资源隔离之外，kubelet同时会实时采集节点上物理资源使用率，根据不同的情况驱逐离线作业，提前释放相应资源，防止对在线作业的 ] 中国数据中心行业研究报告2020年: https://pdf.dfcfw.com/pdf/H3_AP202012161440695500_1.pdf [5] 王康瑾,贾统,李影.在离线混部作业调度与资源管理技术研究综述
2.3K20编辑于 2022-04-15 - 来自专栏软件工程师Michael
Vue3局部组件
tips：在Vue3中可以使用局部组件局部组件使用components属性，属性后面的key为组件名称局部组件可以无线层级套用，数据传递用pros和emit方式代码实例：<! content="IE=edge"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>Vue3局部组件 </title> <script src="https://unpkg.com/vue@<em>3</em>/dist/vue.global.js"></script></head><body> <div id
59110编辑于 2022-10-08 - 来自专栏CNCF
Helm 3预览：探索我们的未来 - 第3部
作者：Matt Fisher 这是Helm 3预览：探索我们的未来博客文章7部中的第3部，讨论关于Chart储存库。（查看我们之前关于向Tiller告别的第2部。） 已经设计了更智能的Chart储存库来处理这个问题，但它不是正式规范的一部分。 搜索、元数据信息和获取Chart使用单一索引文件进行，使得在安全的多租户实现中进行设计变得困难或笨拙。 算是实验性质，支持登录和其他给Helm 3的特性尚未完成，但我们很兴奋从OCI和分发团队多年来的发现中学习，通过他们的辅导和指导明白怎样大规模运行一个高度可用的服务。 不要错过Helm 3预览：探索我们的未来博客系列共7部文章。
61530发布于 2019-12-04 - 来自专栏TKE学习
Helm3部署安装
一、新的功能 1.版本以新格式存储 2.没有群集内（tiller）组件 3.Helm 3包括对新版Helm图表的支持（图表v2） 4.Helm 3还支持库图表-图表主要用作其他图表的资源 6.现在在升级Kubernetes资源时将应用3向战略合并补丁。 7.现在可以根据JSON模式验证图表提供的值 8.为了使Helm更安全，可用和健壮，已进行了许多小的改进。 二、 Helm3的内部实现已从 Helm2发生了很大变化，使其与 Helm2不兼容 该版本主要变化如下 1、最明显的变化是 Tiller的删除 2、Release 不再是全局资源，而是存储在各自命名空间内 3、Values 支持 JSON Schema校验器，自动检查所有输入的变量格式 4、移除了用于本地临时搭建 Chart Repository 的 helm serve 命令。 打开包装 tar -zxvf helm-v3.0.0-linux-amd64.tgz 3.helm在解压后的目录中找到二进制文件，然后将其移至所需的目标位置 mv linux-amd64/helm
5.5K10发布于 2020-09-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号