---
title: Netflix GPU Güvenilirliğini Dağıtık Sistemler Sorunu Olarak Ele Alıyor
url: https://www.elseif.net/tr/netflix-gpu-guvenilirligini-dagitik-sistemler-sorunu-olarak-ele-aliyor
published: 2026-11-02T13:15:58+00:00
language: tr
section: Modeller
source: https://www.infoq.com/news/2026/10/netflix-gpu-distributed-systems/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global
organizations: Netflix, NVIDIA, Kubernetes
publisher: elseif
---

# Netflix GPU Güvenilirliğini Dağıtık Sistemler Sorunu Olarak Ele Alıyor

Netflix, büyük ölçekli grafik işlem birimi eğitimi ve çıkarımı için bir güvenilirlik platformu oluşturduğunu açıkladı. Şirket, donanım arızalarına rağmen işlemlerin devam etmesini sağlamak amacıyla katmanlı sağlık kontrolleri, otomatik iyileştirme ve hata toleranslı eğitim yöntemlerini kullanıyor.

Kubernetes üzerinde inşa edilen bu platform, arızaları tespit ederek sağlıksız kapasiteyi otomatik olarak kaldırıyor ve uzun süreli işlemlerin makine kayıplarından kurtulmasına olanak tanıyor. Bu yaklaşım sonucunda grafik işlem birimi düğüm kullanılabilirliği yüzde 99,95'in üzerine çıkarken, işlem başarı oranı yaklaşık yüzde 98'den yüzde 99,5'in üzerine yükseldi.

Sistem, NVIDIA DCGM kullanarak grafik işlem birimi hatalarını, belleği, ara bağlantıları ve termal koşulları izliyor. Ağ kontrolleri ise yüksek hızlı Elastic Fabric Adapter arayüzlerinin durumunu ve sayısını denetliyor. Bir Kubernetes düğüm ajanı, bu sonuçları denetleyicilerin işlem yapabileceği düğüm koşullarına dönüştürüyor. Tanılama araçlarının donması durumunda, sistem makineyi sağlıksız olarak işaretleyerek güvenli tarafta kalıyor ve normal mekanizmalar çöktüğünde çekirdek günlüklerini yedek yol olarak kullanıyor.

Hata tespitinden sonra devreye giren denetleyiciler, makineyi hemen değiştirmek yerine kademeli yanıtlar veriyor. Geçici sorunlarda yeni işler engellenirken mevcut işlerin devamına izin veriliyor. Sorun devam ederse makine boşaltılıyor ve iş yükleri taşınıyor. İyileştirme işlemleri, sorunlu bir işin sonlandırılmasından grafik işlem biriminin sıfırlanmasına, makinenin yeniden başlatılmasından tamamen değiştirilmesine kadar çeşitlilik gösteriyor. Bu süreç, Karpenter'ın düğüm otomatik onarım yetenekleriyle entegre çalışıyor.

Donanım arızalarının tamamen yok edilemeyeceğini kabul eden Netflix, eğitim platformunu kurtarma maliyetlerini düşürecek şekilde tasarladı. Büyük işler, kontrol noktaları ve esnek çalışanlar kullanarak son sağlıklı kontrol noktasından devam edebiliyor. Platform, yazılım hatalarından kaynaklanan uygulama arızalarını ayrı sınıflandırarak gerçek hataların sürekli yeniden başlatılmasını önlüyor.

Şirket ayrıca eğitim işini bir dağıtık sistem olarak değerlendiriyor ve tüm işi yavaşlatan tek bir yavaş sıralamayı tespit edebiliyor. Çıkarım iş yükleri için NVIDIA'nın Çoklu Örnek Grafik İşlem Birimi olan MIG yeteneklerini kullanarak bellek düzeyinde izolasyon sağlıyor ve kaynak kullanımını artırıyor. Netflix, kaynak isteklerini ve topolojiye duyarlı yerleşimi geliştirmek için Kubernetes Dinamik Kaynak Tahsisi üzerinde çalışıyor.