長時間稼働するタスクの信頼性を確保するため、SkyPilotは3重のフォールト・トレラント保護を実装している：
- 自動フェイルオーバークラウドプロバイダーのキャパシティ不足が検出された場合、またはスポットインスタンスが再生された場合、システムは60秒以内に自動的に別のアベイラビリティゾーンまたはクラウドプラットフォームに切り替えます（例：AWSからGCPへ）。
- 状態の持続性スルー
workdir定義されたローカルのコードとデータはリアルタイムでクラウドに同期され、タスクはブレークポイントから再起動しても継続できる。 - 健康診断システム内蔵の監視モジュールは、GPU温度、ネットワークレイテンシ、およびその他のメトリクスを継続的に検出し、異常時にはアラートをトリガーするか、インスタンスを再構築します。
典型的なシナリオでは、これらのメカニズムにより、タスク成功率を99%+まで高めることができる。例えば、ハイパーパラメトリック探索タスクでは、作業ノードの一部が失敗しても、システムは完了したジョブのチェックポイントファイルを保持し、新しいインスタンスで未完了のタスクを継続する。
この答えは記事から得たものである。SkyPilot: あらゆるクラウドでAIとバッチタスクを効率的に実行するオープンソースフレームワークについて
