平台与调度

分布式系统章回答了"机器怎么组成一台计算机"，本章回答"任务怎么用好这台计算机"：谁先谁后（调度）、谁用多少（配额与多租户）、坏了怎么办（平台级容灾）、花多少钱（成本核算）。这也是面试中区分度最高的一类题——开放式的系统设计。

本章节内容：

1. 集群调度——Slurm 与 Kubernetes、gang scheduling、拓扑感知调度与 GPU 分配。
2. 训练平台设计——设计一个 1000 卡训练平台：组件、隔离、成本与可观测。
3. 推理服务设计——设计一个 10 万 QPS 推理服务：扩缩容、路由、SLO 与准入控制。

阅读前提：[集群调度]依赖万卡集群章的组网与故障认知；推理服务的单机机制（batching、调度、KV Cache）见推理引擎章——平台章只讲这些机制之上的一层。