Pinterest 工程师消除 CPU 僵尸进程，解决生产环境瓶颈
中文摘要
Pinterest工程师禁用AWS深度学习AMI中崩溃的ECS代理，解决了内存泄漏和“僵尸”进程导致的机器学习CPU资源饥饿问题。
English Summary
Pinterest engineers fixed ML CPU starvation by disabling a crashing ECS agent on AWS deep learning AMIs, which caused memory leaks and "zombie" processes.
原文节选
📌 一句话摘要 Pinterest 工程师通过深入排查，发现 AWS 深度学习 AMI 中默认启用的 ECS 代理崩溃循环导致内存 cgroup 泄漏，形成“僵尸”进程，最终通过禁用该代理解决了机器学习训练任务的 CPU 资源饥饿问题。 📝 详细摘要 本文详细记录了 Pinterest 工程师如何追踪并解决其基于 Kubernetes 的机器学习平台 PinCompute 上出现的间歇性 CPU 资源饥饿问题。该问题导...