KCD Beijing 2026 分享回顾：从 Device Plugin 到 DRA——GPU 调度范式升级与 HAMi-DRA 实践
内容提要
KCD Beijing 2026 是大型 Kubernetes 社区大会，HAMi 社区介绍了 GPU 调度的 DRA 模型，强调 GPU 从“设备”转变为“资源对象”。DRA 提升了资源建模能力，但用户体验有所下降。HAMi-DRA 通过自动化迁移简化用户操作，提高了 Pod 创建速度和可观测性，推动了 AI 基础设施的发展。
延伸解读
GPU 调度的转变与挑战
GPU 从传统的“设备”转变为“资源对象”，意味着调度方式的根本变化。这一转变虽然提升了资源建模能力，但也带来了用户体验的下降，尤其是对于已经使用 Device Plugin 的企业，迁移成本和学习新范式的挑战不容忽视。
HAMi-DRA 的自动化优势
HAMi-DRA 通过自动化迁移简化了用户操作，用户无需理解复杂的新概念，只需继续使用熟悉的 Device Plugin 语法。这样的设计降低了学习曲线，使得企业能够更快地适应 DRA 模型，提升了 Pod 创建速度和可观测性。
可观测性与资源管理的提升
DRA 模型的引入使得资源可观测性显著改善，运维团队可以直接了解 GPU 的使用情况，而不再依赖推断。这种透明度对于优化资源管理和提高运维效率至关重要，尤其是在大规模 AI 集群中。
Q&A
KCD Beijing 2026 大会的主要内容是什么？
KCD Beijing 2026 大会主要介绍了 GPU 调度的 DRA 模型，强调 GPU 从'设备'转变为'资源对象'，并探讨了这一转变对 AI 基础设施的影响。
DRA 模型的主要优势是什么？
DRA 模型的主要优势包括多维资源建模能力、完整设备生命周期管理和细粒度资源分配。
HAMi-DRA 如何改善用户体验？
HAMi-DRA 通过自动化迁移简化用户操作，让用户继续使用 Device Plugin 的写法，系统自动转换为 DRA，降低了迁移成本。
DRA 模型对 GPU 调度的影响是什么？
DRA 模型使 GPU 调度从简单的资源分配转变为复杂的设备生命周期管理，提升了调度的灵活性和效率。
DRA 模型在性能上有哪些提升？
DRA 模型在性能上显著提升了 Pod 创建速度，减少了调度冲突，提升约 30% 以上。
Kubernetes 在 AI 基础设施中的角色是什么？
Kubernetes 正在演进为 AI 基础设施的控制平面，支持异构 GPU 和 AI workload 的调度与管理。
