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。
关键要点
-
KCD Beijing 2026 是大型 Kubernetes 社区大会，吸引了超过 1000 人参与。
-
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。
-
DRA 允许多维资源建模，支持完整设备生命周期管理和细粒度资源分配。
-
DRA 的复杂性导致用户体验退化，迁移成本高。
-
HAMi-DRA 通过自动化迁移简化用户操作，提高 Pod 创建速度和可观测性。
-
DRA Driver 负责完整的设备生命周期管理，提升了 GPU 调度的复杂性。
-
HAMi-DRA 在性能上显著提升 Pod 创建速度，减少了调度冲突。
-
DRA 模型改善了可观测性，运维团队可以直接了解资源使用情况。
-
DRA 是异构算力抽象的起点，推动跨厂商资源管理的可能性。
-
Kubernetes 正在演进为 AI 基础设施的控制平面，HAMi 的定位愈加清晰。
-
HAMi-DRA 通过不改变用户习惯和内部消化复杂性来实现 DRA 的能力。
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。
延伸问答
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。
