AI Infra 平台研发二面面经
完整信息
本篇目录
minimax ai infra平台研发二面
1.自我介绍
2.腾讯这段实习,为什么把工作流告警改为指标上报?为了解决什么?告警含义是什么?如果失败了,本身不是会直接给业务方吗?为什么之前是日志关键字匹配呢?指标会记录什么内容呢?什么能导致workflow失败?
3.由daemonset agent执行安装cri你是怎么保证一定能安装成功呢?这个agent pod本身也是个特权容器吗?如果用了常驻的新方案,可能会遇到一些攻击手段,你是否考虑过?
4.介绍下告警归属率,有没有考虑过怎么样减少告警?
5.讲讲腾讯这段实习workflow的架构是什么样的,如果它挂了会怎么处理
6.讲讲全栈实习上传重构的经历
7.讲讲cube sandbox的开源,做了些什么?为什么要重定向到虚拟机执行?怎么能保证沙箱里面执行的命令跟本机执行的一样呢?在测试过程中有遇到过重定向问题吗?你定位到了问题是如何排查,预防处理的呢?
8.场景题:联合业务方,会使用几千卡的一个任务去跑大模型训练,几千卡的机器里面有好有坏,某个gpu里面可能出现了慢节点,由于水桶效应,导致整个任务都被拖慢,有没有好的思路能帮我们快速定位到是哪一个节点出了问题?如果需要部署硬件采集,你会去做哪些事情?采集架构怎么设计?
9.拓扑排序变种 (kahn算法
10.反问环节
ps:体感比一面强点,但是也强不了太多
本篇目录
当前问题0109
- 01
自我介绍
- 02
腾讯这段实习,为什么把工作流告警改为指标上报?为了解决什么?告警含义是什么?如果失败了,本身不是会直接给业务方吗?为什么之前是日志关键字匹配呢?指标会记录什么内容呢?什么能导致workflow失败?
- 03
由daemonset agent执行安装cri你是怎么保证一定能安装成功呢?这个agent pod本身也是个特权容器吗?如果用了常驻的新方案,可能会遇到一些攻击手段,你是否考虑过?
- 04
介绍下告警归属率,有没有考虑过怎么样减少告警?
- 05
讲讲腾讯这段实习workflow的架构是什么样的,如果它挂了会怎么处理
- 06
讲讲全栈实习上传重构的经历
- 07
讲讲cube sandbox的开源,做了些什么?为什么要重定向到虚拟机执行?怎么能保证沙箱里面执行的命令跟本机执行的一样呢?在测试过程中有遇到过重定向问题吗?你定位到了问题是如何排查,预防处理的呢?
- 08
场景题:联合业务方,会使用几千卡的一个任务去跑大模型训练,几千卡的机器里面有好有坏,某个gpu里面可能出现了慢节点,由于水桶效应,导致整个任务都被拖慢,有没有好的思路能帮我们快速定位到是哪一个节点出了问题?如果需要部署硬件采集,你会去做哪些事情?采集架构怎么设计?
- 09
拓扑排序变种 (kahn算法
