NVIDIA DSX OSがKubernetes GPUクラスタの効率を向上

NVIDIAは、DSX OSプラットフォームを通じて、Kubernetes GPUクラスタの効率性と信頼性を向上させるための包括的なソリューションを発表しました。このオープンソースソフトウェアは、NVIDIAの広範なDSX AIファクトリープラットフォームの一部であり、GPU加速インフラストラクチャの構成、認証、監視を行うツールを統合し、分散AIワークロードにおける主要な課題に対処します。

GPUクラスタの非効率性への対処

パフォーマンスの悪いGPUは、基本的なヘルスチェックが正常な利用状況を示していても、分散トレーニングジョブを阻害する可能性があります。NVIDIAは、このような問題がクラスタのライフサイクル全体、初期構成から継続的な運用に至るまで発生する可能性があることを強調しています。従来の指標である利用率はしばしば非効率性を捉えることに失敗し、より堅牢な検証方法の必要性が生じています。DSX OSは、クラスタのパフォーマンスをより明確に把握するために、成功裏に完了した作業の量を測定する「グッドプット」指標を導入しています。

DSX OSの主要コンポーネント

DSX OSプラットフォームには、クラスタライフサイクルの特定の段階に対応する三つのオープンソースツールが含まれています：

• 構成：NVIDIA AIクラスタランタイム (AICR) は、GPU最適化Kubernetesインフラストラクチャの再現可能なベースラインを確立します。ネットワーキング、ストレージ、ドライバなどのコンポーネントに対するバージョン固定の構成レシピを定義します。これらのレシピは、HelmやArgo CDなどの既存ツールと互換性のあるデプロイメントアーティファクトに変換されます。
• 認証：NVIDIAクラスタ準備エンジン (NVCRE) は、プロダクションワークロードに対するクラスタの準備状況を検証します。AIワークロードと診断を実行し、NVIDIA Collective Communication Library (NCCL) テストを含む、故障ノードを特定し、ワークロードの信頼性を確保します。
• 運用：NVSentinelはクラスタの健康状態を監視し、障害の修正を管理し、再検証を調整します。これにより、不健康なノードを自動的に隔離または汚染し、ワークロードを排出し、ノードがサービスに戻る前にNVCREとの再検証をトリガーすることができます。

これらの三つのツールはすべてApache 2.0の下でライセンスされており、外部からの貢献を受け付けています。

実践におけるライフサイクル管理

DSX OSのワークフローは、構成、認証、監視、再認証という構造化されたライフサイクルに従っています。例えば、AICRは、ピン留めされたバージョン、依存関係グラフ、および各コンポーネントの健康状態に関する主張を定義するレシピを生成します。これらのレシピはデプロイメントアーティファクトに変換され、一貫性を確保し、ドリフト検出を可能にします。NVCREは、分散AIワークロードを実行することでクラスタの準備状況を認証し、NVSentinelは運用中にノードの健康を継続的に監視し管理します。

戦略的意味合い

NVIDIAのDSX OSは、AIインフラストラクチャの非効率性と運用リスクを軽減することを目的としています。構成、認証、監視を統一プラットフォームとして統合することで、計算リソースの無駄やアイドルノードにつながる可視性のギャップを解消します。これらのツールは、既存のデプロイメントパイプラインと連携して動作するように設計されており、オペレーターにとっての混乱を最小限に抑えます。

NVIDIAは具体的な性能ベンチマークやフリート全体の故障率の削減を提供していないものの、再現性と障害検出に重点を置くこのプラットフォームは、堅牢なAIインフラストラクチャへの需要の高まりと一致しています。2026-11-05に掲載されたDSX OSのウォークスルーは、オープンソースの革新を通じてAIファクトリーの効率を向上させるNVIDIAのコミットメントを強調しています。