- 综合排序
- 最热优先
- 最新优先
三维软件与python运用系列--Dynamo节点的应用
Python 是一款功能强大的工具，可扩展 Dynamo 的功能，并允许您将许多节点替换为几行简明的代码。 通过查看 Geometry.Transform 节点，我们知道需要源坐标系和目标坐标系来变换实体。源是实体的上下文坐标系，而目标是每个阵列模块的不同坐标系。 listsolids.append(solid.Transform(fromCoord,toCoord))# Assign your output to the OUT variable.OUT = solids连接输入输出节点单击 Python 节点上的“运行”将允许代码执行。 输出内容：参考文档：Python 节点 | Dynamo Primer (dynamobim.org)
86610编辑于 2024-03-02- 来自专栏编程
如何在Dynamo中创建UI
效果大概是这样： 接下来我会教大家编写一个简单的界面，效果如下： 实现原理 因为Dynamo中用的是IronPython，什么是IronPython？不懂的同学可以用各种搜索引擎搜下。 准备工作 Visual Studio（可选，我用的2017） 代码编辑器（我用的VS CODE） Dynamo（我用的1.3） WPF基础和Python基础 操作步骤 编写界面代码 我们知道WPF使用的是 代码如下： 与Dynamo结合 首先复制我们第1步写的xaml代码，然后我们贴到Dy中，要注意把Window的名称空间删掉，不然会冲突（第一行x:Class="xxx"） 这里我直接贴代码了，不明白的直接看注释即可
3.9K100发布于 2018-01-05 - 来自专栏罗西的思考
Amazon Dynamo系统架构
Dynamo 选择采用一致性哈希算法来处理节点的增删。 由于Dynamo采用了无中心的架构，每个成员节点都需要保存其他节点的路由信息。 为了保证每个节点都能拥有最新的成员节点信息，Dynamo中采用了一种类似于Gossip（闲聊）协议的技术 Dynamo中还通过Gossip来实现错误检测任何节点向其他节点发起通信后，如果对方没有回应， 则认为对方节点失效 为了避免新加入的节点之间不能及时发现其他节点的存在，Dynamo中设置了一些种子节点（Seed Node）。 Dynamo中Merkle哈希树的叶子节点是存储每个数据分区内所有数据对应的哈希值，父节点是其所有子节点的哈希值。
1.9K21发布于 2021-02-04 - 来自专栏用户9199536的专栏
System|分布式|Dynamo
Reference：Dynamo: Amazon’s Highly Available Key-value Store Dynamo是Amazon在07年SOSP上提出的分布式KV解决方案，是基于变种一致性 这里每个节点维护>N个物理节点(跳过相同地址的虚拟节点)的preference list以容错 妙啊,可惜当时写lab的时候没看,负载均衡底下又整了个2PC。 这里的Merkle Tree是针对虚拟节点建立的，因为节点变动涉及的数据是以虚拟节点为单位。 Failure Detection 避免向那些无法达到的节点发送无意义的请求，如果请求失败了，就替换节点，并且定期地询问该节点是否恢复。每个节点只负责自己的hinted handoff。 Quorum for R and W + Vector Clock Solution: P2P保证负载均衡与去中心化，Quorum保证可用性，矢量时间戳进行MVCC Evaluation: 最终一致性，每个Dynamo
57420发布于 2021-11-22 Prefill Decode分离部署大模型（dynamo框架）
是一个高吞吐量、低延迟的推理框架，旨在为多节点分布式环境中的生成式 AI 和推理模型提供服务。 (1, 4194304, 6, 'psm_230a4844'), local_subscribe_addr='ipc:///tmp/7830ef6b-f562-41e5-8549-7fe17d2cfd8a -6b8a95834a2e 2025-06-15T03:03:50.144Z INFO nixl. { "model": "RAG_LLM", "messages": [{"role": "user", "content": "你好，请你分析一下深度学习发展的历史重大节点 (VllmWorkerProcess pid=19063) object_tensor = torch.frombuffer(pickle.dumps(obj), dtype=torch.uint8)
24710编辑于 2026-03-25- 来自专栏分享/效率/工具/软件
安装k8s的master节点和worker节点
安装k8s的master节点和worker节点 B站视频地址: 5.1k8s-搭建master节点_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili 复制init镜像->master master改hostname sysctl -w vm.swappiness=0 # 关闭swap sed -ri '/^[^#]*swap/s@^@#@' /etc/fstab # 取消开机挂载swap # master节点初始化 admin.conf $HOME/.kube/config sudo chown $(id -u):$(id -g) $HOME/.kube/config # 保存打印出来的下面的提示,用于初始化worker节点 f https://raw.githubusercontent.com/coreos/flannel/master/Documentation/kube-flannel.yml # 检测master节点 kubectl get node # 查看kubelet的日志 journalctl -fu kubelet 初始化worker节点 # 安装kubelet kubeadm kubectl cat
2.3K20发布于 2020-02-14 - 来自专栏云知识学习
k8s 节点亲和性
固展开了k8s对pod调度的学习。 k8s对pod调度的方法有： 1.通过标签nodeSelector对pod进行硬性的强制匹配调度 2.通过affinity对pod进行规则匹配，下文补充 3.也可以通过封锁，驱逐节点的方法调度pod，但是远不及上面两种方式好 ）（摘至教程） nodeSelector 提供了一个非常简单的方法来将 pod 约束到具有特定标签的节点。 如果您指定了 nodeSelector 和 nodeAffinity，那么 pod 必须满足这 两个 规则才能调度到候选节点上。 如果需要了解更多关于 node 亲和性的信息，请 点击这里 查看设计文档 后续补充其他特性 url:https://k8smeetup.github.io/docs/concepts/configuration
3.6K00发布于 2018-09-21 - 来自专栏Kubernetes 与 Devops 干货分享
Prometheus监控k8s集群节点
监控k8s 集群节点 对于集群的监控一般我们需要考虑以下几个方面： Kubernetes 节点的监控：比如节点的 cpu、load、disk、memory 等指标 内部系统组件的状态：比如 kube-scheduler 集群节点监控 这里通过 Prometheus 来采集节点的监控指标数据，可以通过node_exporter来获取，顾名思义，node_exporter 就是抓取用于采集服务器节点的各种运行指标，目前 node_exporter Pod，如果从集群中删除或者添加节点后，也会进行自动扩展. 40s 172.18.143.48 saas-pre-node-dist-sz-02 <none> <none> prometheus-7cb9f4dc8d-g9x75 ：节点对象中的每个标签 _meta_kubernetes_node_annotation：来自节点对象的每个注释 _meta_kubernetes_node_address：每个节点地址类型的第一个地址
2K10编辑于 2022-10-31 - 来自专栏互联网-小阿宇
k8s-主节点巡检脚本
033[42;37m" f="\033[43;37m" g="\033[44;37m" h="\033[45;37m" q="\033[46;37m" echo -e "$h=========本脚本适用K8S 主节点&作者：小韩======"$e echo -e "$a--------自动巡检开启--请把你的小手拿走--" $e linux=$(cat /etc/redhat-release) echo -e 集群状态----"$e #查看k8s集群状态 K8s=$(kubectl get nodes | grep Ready | wc -l) #进行查询k8s集群节点为正常状态的节点 echo - e "$c----K8s集群节点状态为Ready的数量为：$K8s" $e echo -e "$a----查看Etcd集群健康状态----" $e Etcd=$(kubectl get cs | grep Health | grep etcd | wc -l) #进行查询etcd集群节点为健康状态的节点 echo -e "$c----Etcd集群节点状态为Health的数量为：$Etcd" $e
73530编辑于 2022-11-21 - 来自专栏全栈程序员必看
k8s-主节点巡检脚本
033[42;37m" f="\033[43;37m" g="\033[44;37m" h="\033[45;37m" q="\033[46;37m" echo -e "$h=========本脚本适用K8S 主节点&作者：小韩======"$e echo -e "$a--------自动巡检开启--请把你的小手拿走--" $e linux=$(cat /etc/redhat-release) echo -e 集群状态----"$e #查看k8s集群状态 K8s=$(kubectl get nodes | grep Ready | wc -l) #进行查询k8s集群节点为正常状态的节点 echo - e "$c----K8s集群节点状态为Ready的数量为：$K8s" $e echo -e "$a----查看Etcd集群健康状态----" $e Etcd=$(kubectl get cs | grep Health | grep etcd | wc -l) #进行查询etcd集群节点为健康状态的节点 echo -e "$c----Etcd集群节点状态为Health的数量为：$Etcd" $e 发布者
66010编辑于 2022-06-29 - 来自专栏Tensorbytes
k8s运维：基于taint污浊节点实现pod节点迁移
背景 由于业务需求要做节点迁移，旧节点要被废弃，正好可以试试 k8s 的 taint 污浊节点操作。 taint 基本用法： $ kubectl taint --help # 添加/更新一个节点的污浊标识效果 kubectl taint nodes <节点名称> <键>=<值>:<效果> # 删除一个节点的污浊标识效果 ，在后面加一个小横杆 - kubectl taint nodes <节点名称> <键>:<效果>- # 删除一个节点这个key的所有效果 kubectl taint nodes <键>- ## 如果要改动所用节点可以用 分为三部分，键、值和效果（key=value:effect）,其中健和值构成关联的键值对用于和pod匹配的，effect 用来表示 node 的效果，主要包括： PerferNoSchedule，会让k8s 尽量不去调度这个节点（不保证，比如如果其他节点资源满了的情况） NoSchedule，表示这个节点不可调度，也就是新pod不会再被分配到这个节点上，旧节点依然能运行 NoExecute，表示这个节点不能运行
1.1K20发布于 2020-12-30 - 来自专栏OpenMMLab
PyTorch 2.0 之 Dynamo: 窥探加速背后的真相
Dynamo 初探 什么是 Dynamo？ PyEval_EvalFrameDefault（https://github.com/python/cpython/blob/e6b0bd59481b9bc4570736c1f5ef291dbbe06b8e 正如上图所示，Dynamo 就是这样做的，他在 set_eval_frame（https://github.com/pytorch/pytorch/blob/e33f1eeeb73a8d680b8aae7944011389f76faaff /pytorch/blob/e33f1eeeb73a8d680b8aae7944011389f76faaff/torch/_dynamo/eval_frame.py#L205）。 __exit__(None, None, None) 传入的回调函数会被自定义的帧评估函数调用（https://github.com/pytorch/pytorch/blob/e33f1eeeb73a8d680b8aae7944011389f76faaff
3.2K40编辑于 2022-12-30 - 来自专栏四火的唠叨
Dynamo 的实现技术和去中心化
因此如果仅仅是为了分布式，而粗暴地把中心节点去掉不是明智的，当然，Dynamo 做了尝试，下面我列出了一些去掉中心节点后带来的问题，和它的解决办法。 Dynamo 的实现上有两点特别需要指出： 每一台物理设备都根据不同的能力折合成不同数量的虚拟节点数目； 每份数据都被映射到整个 hash 环上面的多个节点，从而形成 replication，保证可用性 ，大致上抱怨的问题包括： 一致性方面，Dynamo 没有办法保证避免脏读； Quorum 机制中只是 R+W>N 在遇到节点不可用的时候，并不能保证强一致性； Hinted Handoff 机制在跨 IDC 的情况下，会因为异地传输开销而性能低下； 灾难恢复方面，某一个 IDC 挂掉的时候，没人可以计算到底丢了多少数据； 论文里面一些自相矛盾的地方，一个是对节点对等的描述，一个是对最终一致的描述； Dynamo 给用户造成了误导，以为一直是在 CAP 的 C 和 A 中必须做一个取舍，其实单节点中心就可以同时做到 CA； Dynamo 宣称去中心化，但是并没有完全做到，比如交换机故障造成网络分片的时候，服务就不可用了
59410编辑于 2022-07-18 - 来自专栏Se7en的架构笔记
使用 NVIDIA Dynamo 部署 PD 分离推理服务
NVIDIA Dynamo Smart Router：KV cache 感知的路由引擎，可在分布式推理环境中将请求转发到最佳的节点，从而最大限度减少 KV cache 的重复计算开销。 节点，从而避免跨节点数据交换成为性能瓶颈。 3.1 快速开始 首先克隆仓库： git clone https://github.com/ai-dynamo/dynamo.git cd dynamo 在 Dynamo 框架中，跨节点通信使用的是 NIXL 启动时会向 etcd 注册以实现节点间的自动发现，而 NATS 服务则主要用于 prefill 与 decode worker 之间的消息传递。 文章不仅演示了 Dynamo 在最简单部署模式下的运行方式，还重点讲解了 PD 分离模式，通过将 prefill 与 decode 阶段拆分到不同 GPU 节点，并结合高效数据传输机制，实现了推理吞吐量与效率的显著提升
1.3K10编辑于 2025-11-12 - 来自专栏深入理解Android
leetcode刷题（8）——删除链表中的节点
请编写一个函数，使其可以删除某个链表中给定的（非末尾）节点，你将只被给定要求被删除的节点。 现有一个链表 – head = [4,5,1,9]，它可以表示为: 示例 1: 输入: head = [4,5,1,9], node = 5 输出: [4,1,9] 解释: 给定你链表中值为 5 的第二个节点 示例 2: 输入: head = [4,5,1,9], node = 1 输出: [4,5,9] 解释: 给定你链表中值为 1 的第三个节点，那么在调用了你的函数之后，该链表应变为 4 -> 5 - 思路： 常规解法肯定是从头开始遍历找到这个节点，但是这样写法是无法通过面试的，巧妙的解法是将后一个节点复制到当前节点即可，当然这里题目限制了不可能是最后一个节点，否则应该还要增加最后一个节点情况的处理
39220编辑于 2022-06-22 - 来自专栏余生大大
单机K8s加入节点组成集群
前言 在上一篇中搭建了单机的k8s和它的管理系统KubeSphere，但是在实际应用中肯定不是`All-in-One`形式的。 所以要在目前单机的基础上添加工作节点形成集群，默认我们上一篇安装的就是master节点，在master节点的基础上增加node节点 node节点环境配置 工作节点对于硬件环境的依赖没有太强，本篇的其中一个工作节点为 在集群管理页面，选择左侧菜单节点下的集群节点，或者执行命令 kubectl get node 以检查更改。 命令核验： 页面核验： 在页面及命令中都可以看到三个节点已经组成了集群，但是我实际配置了三台工作节点。 有一台因为是非同区域外网导致iptable无法映射没有加入成功到集群节点中，后面我尝试配置内外网映射将外网服务器加入到集群中
71540编辑于 2022-11-02 - 来自专栏腾讯云原生团队
在 TKE 上使用 NVIDIA Dynamo 部署 PD 分离的大模型
二、PD 分离部署指南 在以下示例中，本文使用了 3 个 H20 节点，每个节点上具有 8 个 GPU 核心，使用的推理引擎为 vLLM，模型为 neuralmagic/DeepSeek-R1-Distill-Llama 在架构上，本文使用了三个节点（也可以说是三个 Pod），每个节点部署了 Dynamo 的部分组件，具体而言： Node 1 FrontEnd：与 OpenAI 兼容的 HTTP 服务器，用于处理传入请求 如何使用 dynamo 部署多节点模型？ 目前由于 nixl 限制 tp 最大为 8，所以没有办法参照以往多节点模型使用 ray 等的部署方法[6]，当前无法很好地部署如 Deepseek-R1 671B 满血版等超大模型。 多节点模型部署、pipeline 并行等功能的支持，目前由于 nixl 限制 tp 最大为 8，当前无法很好地部署如 DeepSeek-R1 671B 满血版等超大模型。
3.7K10编辑于 2025-04-21 - 来自专栏存储公众号：王知鱼
揭秘 NVIDIA Dynamo：分布式AI推理的高效引擎
内存与量化支持 特性 Dynamo vLLM TensorRT-LLM 量化精度 支持 FP8（需 H100/A100 GPU） 支持 FP8/BF16 支持 INT8/FP16/FP8 显存管理 依赖 基于Triton的成功经验，Dynamo采用全新模块化架构，专为多节点分布式环境部署生成式AI模型而设计。 多节点分布式环境部署LLM 存在哪些挑战？ 未启用Dynamo：飞行批处理，TP8DP2。启用Dynamo：解耦式服务，上下文：TP2DP4，生成：TP8。 TP8DP2： TP（Tensor Parallelism）= 8：模型切分为 8 个 GPU 张量并行子任务（需 8 卡）。 NVIDIA Dynamo智能路由避免KV缓存重新计算，加速模型响应并提升用户体验 2x HGX-H100节点。8x DeepSeek-R1-Distill-Llama-70B。
3.9K10编辑于 2025-03-29 - 来自专栏盛开在夏天的太阳
复制k8s Node节点 并重新初始化k8s-nodes2节点 (k8s连载)
修改固定ip地址 查询当前ip ip a 发现当前ip和k8s-nodes节点一样, 因为设置了固定ip 修改固定ip vi /etc/network/interface 修改静态ip为105 ? 添加k8s节点 在master节点上查看节点状态 kubectl get node ? 只有两个节点, 刚刚copy的节点没有添加上. 查看k8s节点 1. 接下来,在master上查看 kubectl get nodes ? 从时间上可以看出, 最后一个是刚刚添加的. 状态都NotReady 2. 删除pod节点 kubectl delete pod kube-flannel-ds-amd64-zfkgl -n kube-system 这里的pod节点删除后, 会自动重新加载. 8. 其他节点也有问题, 参考上面7点, 直到所有节点都Running ? pod都是running, 但是有一个节点是NotReady, 我们查看日志 ?
1.9K20发布于 2020-09-27 - 来自专栏携程技术
干货 | 携程Dynamo风格存储的落地实践
Dynamo风格数据库来源于亚马逊的Dynamo: Amazon’s Highly Available Key-value Store 论文，在该论文中论述了一种无主复制的数据库，受此启发，携程酒店开发了多存储介质预定库 本文将介绍Dynamo风格的无主复制数据库，及其在携程酒店的实践。 一、Dynamo风格数据库 在分布式系统中，为了提高数据的可用性和性能，通常会将同样的数据复制多份，分担读写请求和主备切换，在复制形式上，主要有单主复制、多主复制、无主复制。 1.3 无主复制 Dynamo风格的数据库就是无主复制，写入的请求不会经过特定的主节点复制到从节点，所有的节点都可以承担读取和写入，容忍写入时的不一致，在读取时解决不一致。 =1 99.7% 99.9999999% R=1 W=3 99.9999999% 99.7% 根据表中所示，在N=3，R=W=2时，读和写的可用性都比单个节点的读写可用性高，这也是Dynamo风格数据库使用的推荐配置
1.1K41编辑于 2022-09-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号