| 题号 | 主题 | 文章 |
|——|——|——|
| 216 | 设计一个支持1000卡规模的训练平台，核心组件有哪些？ | 216-设计一个支持1000卡规模的训练平台，核心组件有哪些.md |
| 217 | 训练平台的job scheduler如何设计？FIFO vs … | [217-训练平台的job-scheduler如何设计.md](/ai-infra-interview-305/17-%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E8%AE%BE%E8%AE%A1/217-%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E7%9A%84job-scheduler%E5%A6%82%E4%BD%95%E8%AE%BE%E8%AE%A1.html) |
| 218 | 分布式存储的选择？Ceph、JuiceFS、GPFS对比？ | [218-分布式存储的选择.md](/ai-infra-interview-305/17-%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E8%AE%BE%E8%AE%A1/218-%E5%88%86%E5%B8%83%E5%BC%8F%E5%AD%98%E5%82%A8%E7%9A%84%E9%80%89%E6%8B%A9.html) |
| 219 | 训练容器的镜像管理？layer caching、registry… | [219-训练容器的镜像管理.md](/ai-infra-interview-305/17-%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E8%AE%BE%E8%AE%A1/219-%E8%AE%AD%E7%BB%83%E5%AE%B9%E5%99%A8%E7%9A%84%E9%95%9C%E5%83%8F%E7%AE%A1%E7%90%86.html) |
| 220 | 网络架构设计？InfiniBand vs RoCE？fat-t… | 220-网络架构设计.md |
| 221 | 故障检测和自动恢复机制？heartbeat、watchdog？ | 221-故障检测和自动恢复机制.md |
| 222 | 训练数据的global shuffle实现？shuffle buf… | [222-训练数据的global-shuffle实现.md](/ai-infra-interview-305/17-%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E8%AE%BE%E8%AE%A1/222-%E8%AE%AD%E7%BB%83%E6%95%B0%E6%8D%AE%E7%9A%84global-shuffle%E5%AE%9E%E7%8E%B0.html) |
| 223 | 模型仓库的设计？版本管理、血缘追踪？ | [223-模型仓库的设计.md](/ai-infra-interview-305/17-%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E8%AE%BE%E8%AE%A1/223-%E6%A8%A1%E5%9E%8B%E4%BB%93%E5%BA%93%E7%9A%84%E8%AE%BE%E8%AE%A1.html) |
| 224 | 超参搜索（HPO）的基础设施？Optuna、Ray Tune集成… | [224-超参搜索（HPO）的基础设施.md](/ai-infra-interview-305/17-%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E8%AE%BE%E8%AE%A1/224-%E8%B6%85%E5%8F%82%E6%90%9C%E7%B4%A2%EF%BC%88HPO%EF%BC%89%E7%9A%84%E5%9F%BA%E7%A1%80%E8%AE%BE%E6%96%BD.html) |
| 225 | 训练平台的multi-tenancy隔离？namespace、… | 225-训练平台的multi-tenancy隔离.md |
| 226 | 资源碎片整理（defragmentation）策略？ | 226-资源碎片整理（defragmentation）策略.md |
| 227 | 训练任务的dry-run和profiling模式？ | 227-训练任务的dry-run和profiling模式.md |
| 228 | 模型压缩服务的集成？量化、剪枝流水线？ | 228-模型压缩服务的集成.md |
| 229 | 训练平台的cost model？预测任务耗时和资源需求？ | 229-训练平台的cost-model.md |
| 230 | 如何支持异构计算？CPU、GPU、TPU统一调度？ | 230-如何支持异构计算.md |
| 231 | 训练平台的SLA定义？job completion time保证… | 231-训练平台的SLA定义.md |
| 232 | 数据隐私和合规？联邦学习基础设施？ | 232-数据隐私和合规.md |
| 233 | 训练平台的disaster recovery？跨地域备份？ | 233-训练平台的disaster-recovery.md |
| 234 | 模型CI/CD流水线？自动化测试、benchmark？ | 234-模型CI-CD流水线.md |
| 235 | 训练平台的observability？日志、指标、链路追踪？ | 235-训练平台的observability.md |