Amazon ECS 现可自动修复故障 GPU 与实例：这对 SRE 意味着什么

Amazon ECS 新增了自动修复能力，能自己发现并处理运行任务所用实例和 GPU 的硬件故障。以往 GPU 出问题往往只能表现为任务莫名失败或变慢，而实例掉线后 ECS 也难以及时替换上面的任务，这些都需要团队自己写检测和恢复脚本。现在 ECS 会持续监控 EC2 状态、实例上的 ECS 代理和容器运行时，并通过 NVIDIA DCGM 识别真正的 GPU 硬件错误，一旦确认就自动把坏实例移出并重建。对 SRE 来说，日常运维里一类原本要自己兜底的故障可以交给平台处理，自己只需在更模糊的情况下手动干预；目前该能力已在 ECS Managed Instances 和 Fargate 上线。