self-healing

再起動ストームを引き起こさずにハングしたワーカーを自動再起動する

当社のモニターは、ハングしたGPUワーカーを2分で検出し、その後6時間にわたって応答がない状態を観測しました。検出と修復の間のギャップを、安全に埋める。