可用性區域間故障隔離
可用性區域是指在同一地區內，電源和網路互相獨立的物理地區。
在同一地區內，可用性區域與可用性區域之間內網互連。各可用性區域之間可以實現故障隔離，即如果一個可用性區域出現故障，不會影響其他可用性區域的正常運行。每個地區完全獨立，不同地區的可用性區域完全隔離，但同一個地區內的可用性區域之間使用低時延鏈路相連。
彈性自動容錯
PAI提供基於AIMaster的容錯監控能力。AIMaster作為任務層級組件，當任務開啟容錯監控功能後，會拉起AIMaster執行個體，與任務其它執行個體一起運行，進行任務監控、容錯判斷、資源控制的作用。詳細請參見AIMaster：彈性自動容錯引擎。
算力健康檢測
進行AI訓練時，DLC提供算力健康檢測能力，對分布式訓練任務的算力資源健康度與效能進行檢查。在建立DLC訓練任務時可以開啟該功能，健康檢測會對參與訓練的資源進行全面檢測，自動隔離故障節點，並觸發後台自動化營運流程，有效減少任務訓練初期遇到問題的可能性，提升訓練成功率。在檢測完成後，會給出有關GPU算力以及通訊效能的檢測報告，可以協助識別和定位可能導致任務訓練效能下降的問題元素，整體提升問題診斷的效率。詳細使用說明請參見SanityCheck：算力健康檢測。
基礎設施監控
支援接入CloudMonitor，構建並鞏固您的安全防禦體系。相關介紹：
模型推理監控（EAS）：查看服務執行個體CloudMonitor事件。