SkyNomad：利用多区域竞价实例最小化AI批处理作业成本
分布式、并行与集群计算
2026-01-13 v1
摘要
AI批处理作业，如模型训练、推理流水线和数据分析，需要大量的GPU资源，并且通常需要在截止时间前完成。竞价实例的成本是按需实例的3-10倍，但其不可预测的可用性使得满足截止时间变得困难。现有系统要么完全依赖竞价实例而面临违反截止时间的风险，要么在简化的单区域设置中运行。这些方法忽略了竞价实例在可用性、生命周期和价格方面显著的时空异质性。我们表明，利用这种异质性来获取更多的竞价容量是降低作业执行成本的关键。我们提出了SkyNomad，一个多区域调度系统，它在保证截止时间的同时最大化竞价实例的使用并最小化成本。SkyNomad使用轻量级探测来估计可用性，预测竞价实例生命周期，考虑迁移成本，并将区域特征和截止时间压力统一到一个指导调度决策的货币成本模型中。我们的评估表明，SkyNomad在真实云部署中实现了1.25-3.96倍的成本节约，在模拟中与最优策略的成本差异在10%以内，同时始终满足截止时间。
引用
@article{arxiv.2601.06520,
title = {SkyNomad: On Using Multi-Region Spot Instances to Minimize AI Batch Job Cost},
author = {Zhifei Li and Tian Xia and Ziming Mao and Zihan Zhou and Ethan J. Jackson and Jamison Kerney and Zhanghao Wu and Pratik Mishra and Yi Xu and Yifan Qiao and Scott Shenker and Ion Stoica},
journal= {arXiv preprint arXiv:2601.06520},
year = {2026}
}
备注
14 pages, 18 figures