11. 延伸阅读与学习路径

一句话理解：GPU 调度的深度来自“读 Device Plugin 规范、读 NVIDIA 官方文档、读 Volcano/Kueue/scheduler-plugins 源码、读生产排障案例”四件事。

11.1 官方文档（按优先级）

Kubernetes 设备插件与 GPU

优先级	文档	读什么
P0	Kubernetes Device Plugins	Device Plugin 协议、ListAndWatch/Allocate 语义
P0	NVIDIA GPU Operator 文档	安装、升级、MIG、可观测
P1	NVIDIA Device Plugin	源码、MIG 支持、time-slicing 配置
P1	NVIDIA Container Toolkit	容器运行时集成、libnvidia-container
P2	NVIDIA MIG 用户指南	MIG profile、NCCL 限制、生产建议

调度框架与队列

优先级	文档	读什么
P0	Kubernetes Scheduler Framework	Filter/Score/Reserve/Permit/PreBind 扩展点
P1	scheduler-plugins	NodeResourceTopology、Coscheduling / Gang
P1	Volcano 文档	PodGroup、Queue、Job 调度
P1	Kueue 文档	ClusterQueue、LocalQueue、Workload、AdmissionCheck
P2	KEP 624: Scheduling Framework	调度框架设计演进

11.2 规范与源码仓库

Device Plugin 与 GPU 生态

仓库	读什么
kubernetes/kubernetes/pkg/kubelet/cm/devicemanager	kubelet 端 Device Plugin 管理
NVIDIA/k8s-device-plugin	NVIDIA Device Plugin 完整实现
NVIDIA/gpu-operator	GPU Operator Helm chart 与组件编排
NVIDIA/dcgm-exporter	GPU 指标暴露
NVIDIA/node-feature-discovery	GPU 与拓扑标签发现
NVIDIA/gpu-feature-discovery	GPU 型号与 MIG 标签

调度器与队列

仓库	读什么
kubernetes-sigs/scheduler-plugins	NodeResourceTopology、Coscheduling 插件
volcano-sh/volcano	Gang 调度、Queue、Preemption
kubernetes-sigs/kueue	工作负载队列与资源管理
kubernetes/kubernetes/pkg/scheduler	默认调度器框架与算法

11.3 经典演讲与论文

资源	为什么读
NVIDIA GPU Operator: Life of a GPU Node	理解 GPU Operator 组件协同与 Day-2 运维
GPUDirect RDMA 文档	RDMA 与 GPU 直接通信的硬件基础
NCCL 调优指南	训练通信参数与网络配置对应关系
Kubernetes SIG-Scheduling 演讲	调度框架、多租户、资源配额演进
Volcano: A Kubernetes Native Batch System	了解 Volcano 设计动机与生态
Kueue: Kubernetes-native Job Queueing	了解 Kueue 与原生 scheduler 的协作模式

11.4 生产实践与案例

资源	读什么
NVIDIA GPU Operator 最佳实践	安装、升级、MIG、Troubleshooting
AWS EKS GPU 节点文档	云上 GPU 节点与 Device Plugin 实践
GKE GPU 文档	GKE 上的 GPU 调度与 MIG
Azure AKS GPU 节点	Azure 上 GPU Operator 部署
NVIDIA GPU Cloud (NGC)	官方优化镜像与 Helm chart

11.5 与本手册其他主题的交叉引用

主题	与本主题的衔接	阅读建议
Kubernetes	Device Plugin、kube-scheduler、ResourceQuota 都建立在 K8s 基础上	先读 K8s 主题，再深入 GPU 调度
GPU 架构与 CUDA 基础	理解 GPU 拓扑、NVLink、NCCL、显存	本主题讲“怎么调度”，gpu-cuda 讲“GPU 是什么”
容器运行时	NVIDIA Container Toolkit 依赖 container runtime	读运行时理解 GPU 设备如何挂载到容器
Operator	GPU Operator 本身就是一个大型 Operator	读 Operator 主题理解其控制循环与升级逻辑
vLLM	GPU 调度直接决定 vLLM 服务的吞吐与延迟	结合本主题做推理 placement 设计
TensorRT-LLM	TensorRT-LLM 推理需要显存与 batch 策略匹配	按模型显存选 MIG profile 或整卡
KubeRay	Ray on K8s 需要 GPU 资源与 Gang 调度	结合 Kueue/Volcano 做 Ray 集群调度
计算机网络	RDMA/RoCE/IB 是千卡训练网络基础	本主题讲“如何与 GPU 配合”，网络主题讲“为什么”
AI SRE	GPU 可观测与故障响应是 SRE 核心	DCGM 指标、Xid 告警、容量规划

11.6 推荐学习路径

路径 A：从 Device Plugin 入手

1. 读 Kubernetes Device Plugins 官方文档（P0）
2. 通读 NVIDIA k8s-device-plugin 源码
3. 用 kind 或 minikube 手动部署 NVIDIA Device Plugin
4. 观察 ListAndWatch 与 Allocate 的 gRPC 调用
5. 配置 time-slicing，观察多 Pod 共享 GPU
6. 阅读 GPU Operator 源码，理解组件编排

路径 B：从调度器入手

1. 读 Kubernetes Scheduler Framework（P0）
2. 部署 scheduler-plugins，开启 Coscheduling / NodeResourceTopology
3. 对比 Volcano 与 Kueue 的队列语义
4. 用 Kueue 配置 ClusterQueue + LocalQueue + Workload
5. 用 Volcano 配置 Queue + PodGroup
6. 设计一个多租户训练平台的队列模型

路径 C：AI 平台全栈

1. 先读完 [Kubernetes](/02-cloud-native/kubernetes/) 与 [gpu-cuda](/01-foundation/gpu-cuda/)
2. 读本主题 1-5 章建立 GPU 调度全链路认知
3. 跑通本主题 Mini Demo（gpu-scheduling-mini）
4. 在真实集群或云上部署 GPU Operator + Volcano/Kueue
5. 模拟 MIG 变更、Pod Pending、NCCL timeout 并排障
6. 回看源码（k8s-device-plugin、scheduler-plugins、Kueue）加深理解

11.7 本章小结

类型	重点资源
官方文档	K8s Device Plugins、NVIDIA GPU Operator、MIG 用户指南
源码	k8s-device-plugin、GPU Operator、scheduler-plugins、Volcano、Kueue
演讲论文	GPU Operator 生命周期、GPUDirect RDMA、NCCL 调优、Kueue/Volcano 设计
生产实践	云厂商 GPU 节点文档、NGC、DCGM 监控
交叉主题	Kubernetes、gpu-cuda、容器运行时、Operator、vLLM、TensorRT-LLM、KubeRay、AI SRE

GPU 调度主题到此结束。建议结合真实 GPU 集群实验，把 Device Plugin 协议、切分技术差异、拓扑感知、队列设计、生产排障内化为肌肉记忆。