完成「備份與災難復原：Kubernetes 不是備份工具」後，下一個問題是「GPU 效率與成本：提高 Utilization 不代表使用者更滿意」能否重跑、否定並留下失敗原因。這就是今天的範圍。

今天要回答的問題

把 GPU utilization、throughput、P95 latency、queue time 放在一起，提出效率與服務品質的平衡。

工程邊界

叢集治理的最後一哩是「可重建」

GPU Pod 不應因為需要 device 就預設 privileged；RBAC、Pod Security、Secret、image provenance 與 network policy 仍然適用。GitOps 則把 manifests、policy 與版本放回可審查的 source of truth。

Kubernetes 本身不是備份。需要另外保存 stateful data、cluster configuration 與外部依賴的恢復方式。最終的成本效率也應用「每個成功請求／token 的資源成本 + SLO」衡量，而不是單看 GPU 利用率。

一個可以直接重現的起點

今天的實作原則

驗證時先固定環境與輸入，每次只改一個變因，並同時記錄操作方法與判定標準。

計算符合 SLO 的有效吞吐

這份 YAML 將「以請求品質約束計算每 GPU 有效吞吐與閒置」的變因與觀察欄位留在版本控制中，再由實際 workload 引用。

apiVersion: v1
kind: ConfigMap
metadata:
  name: day29-experiment
  namespace: ai-lab
data:
  change: "以請求品質約束計算每 GPU 有效吞吐與閒置"
  fixed: "image, model, input"
  metrics: "GPU hours, accepted throughput, P95, error rate"
  repeats: "3"

驗證與落地方式

驗證可從「以請求品質約束計算每 GPU 有效吞吐與閒置」開始。除了保存 manifest 的期望狀態，也要同步觀察 scheduler event、Pod 狀態轉換、node／GPU 資源與實際請求結果。Kubernetes 顯示 Running 只代表容器已啟動，不代表模型已載入、服務已 Ready，更不代表使用者請求符合 SLO。

這篇優先比較：GPU hours、accepted throughput、P95、error rate。測試時應準備一組不套用目標策略的對照組，再以相同 workload 套用新策略。若 placement 改善但等待時間、重啟次數或服務錯誤增加，代表問題只是從排程層移到執行層，不能直接判定方案有效。

常見誤判

• 只看 kubectl get pods 的最終狀態，忽略 Pending reason、event 順序與 readiness 變化。
• 把 GPU allocation 當成 GPU 效率；資源已分配仍可能因 queue、I/O 或模型載入而閒置。
• 只測單一 Pod，沒有涵蓋更新、驅逐、節點失效與重新排程，無法得知真正的服務中斷時間。

上線前檢查

部署前應確認 request／limit、affinity、taint、priority、probe 與 disruption policy 是否互相一致。變更後除了檢查 rollout，也要送出代表性請求，核對服務延遲、錯誤率與 GPU 指標。回滾條件需先定義，避免故障發生後才臨時決定是否撤回。若策略依賴特定 GPU 型號或叢集功能，也要明列適用條件，避免在不同 node pool 套用後得到相反結果。

如何閱讀結果

排程結果要和服務結果放在同一條時間線：先看 Pod 為何被放到某個節點，再看模型何時 Ready，最後核對請求是否成功。只改善 placement 卻讓 cold start 或資料下載變慢，仍然可能造成更長的使用者等待時間。

策略通過單次測試後，還要在 rollout、drain 與節點重新加入時重跑。這些事件會重新觸發排程與模型載入，最容易暴露 topology、storage、probe 與 disruption policy 之間的衝突。

結果判讀

判讀不只看最大或最漂亮的數字。這一天真正要回答的是：成本指標以符合 SLO 的工作量為分母。

如果核心指標改善，但錯誤率、尾端延遲、資源成本或恢復能力變差，這代表取捨，而不是無條件進步。相反地，沒有改善也不是無效結果；至少能排除一條看似合理、實際上不值得增加複雜度的路。

今天的結論

今天的工程判斷是：成本指標以符合 SLO 的工作量為分母。無論結果支持或否定原本假設，都必須保留完整條件，才能和下一天的實驗串在一起。

下一篇將處理：Kubernetes GPU 工作負載參考架構與設計準則。

參考資料

• Kubernetes: Schedule GPUs
• Kubernetes: Resource Management
• Kubernetes: Assigning Pods to Nodes
• NVIDIA DCGM Documentation