【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。
fault-tolerance 标签归档
共 3 篇文章 · 返回首页
高可用和数据库冗余实践
数据库高可用实践：通过冗余实现 MariaDB 高可用，MTTF/MTTR 分析与实战
"高可用"的谎言：你的 99.99% 是怎么算出来的
深度剖析 SLA "几个9"背后的统计陷阱：独立性假设、级联故障、关联故障如何让你的可用性数字沦为一厢情愿的幻觉