摘要： [snapshot] CUDA / CRIU：内存里是什么、restore 为何进命名空间 对照 ai-dynamo/snapshot 与 NVIDIA cuda-checkpoint。介绍见 [snapshot]0-snapshot介绍；内部逻辑见 [snapshot]1-snapshot内部逻辑 阅读全文

摘要： Snapshot 部署 项目仍在早期（README 写明 under construction），不能当生产系统用。本文只覆盖：在已有 GPU Kubernetes 集群上装 Snapshot 控制面和节点 agent，并做一次 capture / restore 通路检查。 官方 chart 说明 阅读全文

摘要： NVIDIA Dynamo Snapshot 内部逻辑 从原「snapshot分析」里拆出的实现细节。先读 [snapshot]0-snapshot介绍。对照仓库 ai-dynamo/snapshot。 1. 三个 CRD：为什么要拆成 Snapshot + Content 表面上看，好像有一个 n 阅读全文

摘要： NVIDIA Dynamo Snapshot 介绍 1. 它到底做什么 GPU 推理 worker 真正贵的通常不是拉镜像，而是启动后的初始化：权重进显存、拉起 CUDA runtime、warmup。之后每次扩副本、重启、被调度，都要把同样代价再付一遍。 Snapshot 只做一件事，拆成两半： 阅读全文

摘要： [NVSentinel] metadata-collector模块调研 基于 NVSentinel 文档与 metadata-collector/ 代码的实现分析。文档引用指向 NVIDIA/NVSentinel main 分支。 官方文档： 模块说明：docs/metadata-collector 阅读全文

摘要： [NVSentinel] gpu-health-monitor模块之dcgm_watcher dcgm.py 是 GPU Health Monitor 的核心：通过 DCGM 周期性检查 GPU/Switch 健康，并把结果异步通知回调（如 Platform Connector）。 整体定位 DCG 阅读全文

摘要： [NVSentinel] gpu-health-monitor模块调研 health-monitors/gpu-health-monitor/gpu_health_monitor/ 是 gpu-health-monitor 的 Python 包源码。它的职责是：连接 DCGM，周期性读取 GPU 健 阅读全文

摘要： NVSentinel 数据流梳理 原文参考：https://docs.nvidia.com/nvsentinel/architecture/data-flow 一、整体架构 1. 设计思路 从公开文档和仓库结构看，NVSentinel 的主链路是事件驱动的：节点侧组件先把异常整理成 HealthEv 阅读全文

摘要： [NVSentinel] syslog-health-monitor模块分析 分析对象：health-monitors/syslog-health-monitor/ 与 distros/kubernetes/nvsentinel/charts/syslog-health-monitor/。引用指向 阅读全文

摘要： NVSentinel 五大核心大功能及对应组件 一、硬件/集群全维度监控采集 故障源头探测。 功能说明 部署在每台GPU节点，对接DCGM、系统日志、网卡、云厂商API、K8s资源，采集所有GPU/网卡/调度异常，统一标准化为HealthEvent，是整个系统的数据输入端。 包含组件 gpu-hea 阅读全文