资源隔离主要采用的是虚拟化的解决思路，目前NVIDIA有两种 GPU 虚拟化的解决方案：
目前社区的GPU调度方案：
1.Nvidia 贡献的调度方案，只支持按较粗粒度的调度，按GPU块数调度。
Nvidia GPU Device Plugin
2.阿里云服务团队贡献的 GPU 共享的调度方案，其目的在于解决用户共享 GPU 调度的需求Kubernetes GPU共享实践
gpushare-scheduler-extender
gpushare-device-plugin
相关资料： Kubernetes的共享GPU集群调度
前提条件：
实现思路：
依赖于Kubernetes的现有工作机制:
相关资料： AI 在 K8S 中的实践：云智天枢 AI 中台架构揭秘
实现思路：
相关资料： 基于 Kubernetes 的 GPU 类型调度实现
实现思路：
利用kubernetes现有的工作机制：
1. 通过CRD（CustomResourceDefinition）定义两种资源：ExtendedResource 和 ResourceClass
ExtendedResource 描述了一种扩展资源，比如 NVIDIA GPU；
ResourceClass 定义了容器选择哪种扩展资源，它的使用方式和 Kubernetes 中的 Extended Resource类似，用户可以直接在容器中指定，就像使用 CPU 和 Memory 一样。
