如何为 NVIDIA AI 工厂选择全栈可观测性

摘要

AI 工厂的故障排查很难，因为症状在一层、根因在另一层。 NVIDIA 提出全栈可观测性策略，把计算、网络、存储、编排、应用各层的遥测数据串起来，让运维团队能跨层定位问题。原文给出了选型框架：需要覆盖哪些层、数据怎么关联、告警怎么降噪。