EgoLoong 算力调度平台

统一查看、申请和释放服务机 CPU、内存、GPU 与显存 · 当前用户：

服务机实时监控

自动刷新：每 5 秒 · 最近刷新：--。实时使用量来自节点 Metrics 和 NVIDIA 驱动；“已分配”是调度系统为任务保留的资源。

节点	监控状态	CPU 实时 / 已分配	内存实时 / 已分配	GPU 实时 / 已分配	显存实时

GPU 实时详情

节点 / GPU	型号	核心利用率	显存利用率	温度	功耗

共享存储监控

存储盘	类型	状态	已用 / 总容量	可用容量	任务内路径

申请算力并提交任务

任务会自动挂载共享存储：机械盘 /shared/hdd，固态盘 /shared/ssd。

计算任务

任务	类型 / 申请人	状态	节点	创建时间	操作

算力平台使用说明

1. 这个平台负责什么

算力平台位于第一层，统一管理服务机的 CPU、内存、GPU 和显存。用户在这里申请资源并提交任务；数据平台、模型训练和模型推理都只是任务类型，不拥有独立的机器。任务结束或被删除后，资源自动释放。

2. 登录与密码

使用管理员分配的个人用户名和密码登录。初始密码需要自行妥善保存；可在页面底部修改自己的密码。密码只以加盐哈希形式保存在控制机本地。

3. 先查看实时状态和可分配资源

顶部卡片显示整个资源池的实时 CPU、内存、GPU 和显存利用率。服务机表每 5 秒刷新，实时值来自 Metrics API 与 NVIDIA 驱动；GPU 详情还显示每张卡的温度和功耗。“已分配”表示调度系统已为 Pending 或 Running 任务保留的资源，是平台判断还能否接收任务的依据。瞬时利用率较低不代表已经分配给任务的资源可以被其他任务占用。

4. 如何申请并提交任务

选择任务类型：通用容器、数据平台管线、模型训练或模型推理。
填写唯一任务名，只使用小写字母、数字和短横线。
填写容器镜像。镜像需要已经导入服务机，或服务机可以从镜像仓库拉取。
填写单个任务实例需要的 CPU 核数、内存、GPU 数量和总显存预算。
通常让平台自动选择节点；只有调试或数据固定在某台机器时才指定节点。
填写容器启动命令并提交。平台检查实时空闲量，选择能同时满足全部条件的节点，然后创建任务。

所有任务都会自动挂载共享存储：机械盘位于 /shared/hdd/disk1 至 /shared/hdd/disk9，固态盘位于 /shared/ssd/ssd1 和 /shared/ssd/ssd2。多个节点可以读写同一文件；高频临时数据优先放固态盘，大型数据集和归档放机械盘。

5. 资源如何占用和释放

CPU、内存和 GPU 的 requests 与 limits 相同，任务不能临时突破申请量。任务处于 Pending 或 Running 时计入已分配量；成功、失败或手动删除后释放调度资源。显存预算用于选机，页面同时展示 NVIDIA 驱动报告的实际显存使用量。

6. 常用示例

用途	建议填写	命令示例
CPU 数据处理	通用容器；4 CPU；8GiB 内存；0 GPU	`python /workspace/process.py`
单卡 GPU 验证	模型推理；2 CPU；8GiB 内存；1 GPU；20GiB 显存	`nvidia-smi && python /workspace/infer.py`
数据管线阶段	数据平台管线；按该阶段实际需求申请	`python /pipeline/run_stage.py`

7. 多机大任务

当前表单提交的是单节点容器任务，因此单次填写不能超过一台机器的物理容量。比如“150GiB 显存和 100 个 CPU 核”不能放进当前任一单节点，应拆成多个可并行分片，例如两个任务各申请 50 CPU、1 张 SuperGPU 和 75GiB 显存。数据管线应按样本或阶段生成这些子任务，并由同一个业务运行编号汇总。后续的分布式任务模板会把这一步自动化。

8. 查看结果与排错

任务表显示状态和实际节点。“日志”查看容器最后 500 行输出；“删除”会停止任务并释放资源。任务长期 Pending 时，先检查是否仍有足够的 CPU、内存、GPU 和显存，再检查镜像是否存在。镜像拉取失败和程序退出会保留在任务状态与日志中。

9. 共享存储

共享存储服务器是 192.168.1.100，使用 SMB 3.1.1。平台监控 9 块机械盘和 2 块固态盘的在线状态、已用量和剩余容量。任务不需要填写存储密码，平台会自动挂载；请避免多个任务同时覆盖同一个输出文件，建议按用户名和任务名建立目录。

算力调度平台