CPUボトルネックの謎を追って：Pinterestが「ゾンビ」を発見するまでの3ヶ月

Finding zombies in our systems: A real-world story of CPU bottlenecks

PinterestのMLプラットフォームチームは、Rayベースの分散トレーニングジョブが断続的なネットワーク障害でクラッシュする問題に直面。調査の結果、ENAネットワークドライバのリセットが原因で、特定のアベイラビリティゾーンでのみ発生。CPU使用率の高いコアがネットワークスレッドを飢餓させていることが判明。perfとmpstatによるプロファイリングで、単一コアが100%システムCPUを使用している瞬間を捉え、最終的に「ゾンビ」プロセスの存在を突き止める。