SLA
SLA 服务等级协议
根据业务重要性选择 SLA 等级，明确故障迁移策略、恢复窗口与备份责任
最后更新：2026 年 6 月 1 日
1. 概述
- 算力云享为 GPU 实例提供三档 SLA（Service Level Agreement）服务等级：标准版（standard）、保障版（protected）与关键版（critical）。
- 创建实例时可在控制台选择 SLA 等级；不同等级在主机离线时的处理策略、心跳宽限与调度优先级上存在差异。
- SLA 仅覆盖平台侧调度与故障转移能力，不替代用户自身的数据备份与业务连续性规划。
2. 等级对比
- 标准版（standard）：主机离线后实例将停止计费并释放资源，不触发跨主机自动迁移；适用于可中断的实验、调试与一次性任务。
- 保障版（protected）：主机离线且存在有效检查点时，平台尝试将实例迁移至其他可用节点；心跳宽限约 60 秒，调度时享有较高可靠性权重。
- 关键版（critical）：在保障版基础上进一步缩短离线判定宽限（约 30 秒），调度时额外提升高可靠性主机优先级；适用于长时训练、生产推理等关键负载。
3. 故障迁移策略
- 标准版不提供自动迁移：当实例所在主机被判定为离线（心跳超时）时，平台释放 GPU 占用、停止计费，实例状态变为已停止或异常，用户需自行重新创建或恢复。
- 保障版与关键版在主机离线时，若实例处于运行/迁移中且已生成有效 checkpoint（检查点 URI），平台将自动选择同型号、满足显存要求的其他在线主机执行迁移。
- 若无可迁移目标主机、检查点未就绪或迁移超时，实例同样会停止，平台通过站内通知告知用户迁移失败原因。
- 迁移过程可能短暂中断计算；依赖内存态且未持久化的数据可能在迁移中丢失，请务必提前将 checkpoint 与工作区同步至可恢复路径。
4. 24 小时恢复时限
- 对于已停止且保留工作区（workspace）或检查点的实例，用户可在停止后 24 小时内发起「恢复」操作，平台将重新调度 GPU 并尝试挂载原有工作区。
- 超过 24 小时未恢复的实例，工作区与检查点可能被清理，恢复接口将返回「实例已停止超过 24 小时，无法恢复」。
- 恢复前提：实例状态为 stopped 或 error，且 workspace_path 或 checkpoint_uri 至少一项有效；余额充足以继续计费。
- 自动迁移与手动恢复是不同路径：迁移针对运行中主机突然离线；恢复针对用户主动停止或故障停止后的重新拉起。
5. 用户备份责任
- 平台不对用户实例内的代码、数据集、模型权重、配置文件等承担保管义务；实例磁盘、容器层与临时缓存均可能因停止、迁移失败、超期清理或硬件故障而丢失。
- 用户应定期将重要数据备份至对象存储、Git 仓库或本地环境；对于长时任务，建议启用客户端/工作区同步或自行编写 checkpoint 脚本。
- 选择标准版即表示接受「无自动迁移、停止后数据仅依赖用户备份」的风险；选择保障版/关键版仍须自行备份，因迁移不能保证 100% 成功。
- 企业用户可结合组织账单、API 与备份接口制定内部 RPO/RTO 策略；如有合规留存要求，请勿仅依赖平台默认工作区保留策略。
6. 可用性与免责
- 平台目标可用性以节点池整体统计为准，不对单台共享主机作独占可用性承诺；主机由第三方提供方接入，网络与硬件故障属预期风险。
- 因不可抗力、运营商故障、用户误操作、余额不足自动停机、违反使用规范被关停等情形，不适用 SLA 补偿。
- SLA 等级差异体现在调度与迁移策略，不构成财务赔偿承诺；具体计费与退款规则以服务条款及订单为准。