Observability 子系统

观测层级

• 节点：CPU/GPU/内存/网络
• 作业：训练步时、吞吐、失败原因
• 平台：资源利用率、SLA、成本

实施建议

• 统一日志与指标命名
• 关键任务设置 SLO 与告警
• 建立事故复盘与知识库闭环