【大模型基础设施工程】10：Checkpoint 与故障容忍
万卡集群训练每天都在断：从 GPU HBM ECC、NVLink 降级到 SDC，本篇系统讲 checkpoint、恢复与弹性容错的工程实践。
checkpoint 标签归档
共 3 篇文章 · 返回首页
【存储工程】WAL 与崩溃恢复：ARIES 协议
WAL 是数据库持久性的基石，ARIES 是工业界公认最完备的崩溃恢复协议。本文从 WAL 三条规则出发，逐步拆解 ARIES 的 Analysis-Redo-Undo 三阶段，结合 InnoDB 实现分析恢复全流程。
WAL 与 ARIES 恢复算法
崩溃恢复是数据库最被低估的核心能力。