Markdown издање

AI-translated from English; not yet reviewed by a fluent editor.

# DeepSeek представља DSec, систем изолованих окружења за обуку агената

> Истраживачки извештај из септембра описује DSec, DeepSeek-ову платформу са изолованим окружењима за обуку агената, укључујући више позадинских система, слојевита окружења и размере примене које наводе аутори.

By BIG CHANGE Editorial

Published: 2026-09-27T06:48:31.966Z
Updated: 2026-09-27T06:48:31.966Z
Canonical: https://bigchange.ai/blog/deepseek-dsec-agent-training-sandbox-platform

![Conceptual charcoal illustration of an open, unbranded equipment cabinet with connected cables entering a floor channel; two closed cabinets recede behind it.](https://bigchange.ai/api/media/file/dsec-cabinet-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

AI агенту који мења репозиторијум потребно је окружење за покретање команди и чување резултата између корака. При обуци великих размера хиљаде таквих окружења можда морају да се покрену истовремено, а затим да сачекају док модел не одлучи шта даље. DeepSeek-ов [технички извештај о DeepSeek Elastic Compute (DSec), објављен 19. септембра](https://arxiv.org/html/2609.22978) описује систем изолованих окружења за који компанија наводи да обрађује такво оптерећење.

Аутори описују путању захтева, складиштење слика и поступак у случају прекида обуке. Подаци о перформансама и примени потичу из њихових сопствених мерења. Проширени извештај је предат на arXiv; у сажетку пише да је ранији двострани проширени сажетак прошао први круг конференцијске рецензије.

## Суштинска промена

- **Шта се променило:** DeepSeek је описао DSec као заједничку платформу за обуку и евалуацију агената, са позивима функција, контејнерима, микровиртуелним машинама и пуним виртуелним машинама доступним кроз једну интерну клијентску библиотеку.
- **Зашто је то важно:** Извештај повезује обуку агената са инфраструктуром која истовремено одржава велики број окружења за задатке. Захтеви пролазе кроз ауторизацију, распоређивање и локалну проверу капацитета; слојеви се комбинују при стварању окружења, а садржај слике преузима се по потреби. Обука може да паузира стање изолованих окружења када се GPU послови прекину због вишег приоритета.
- **На шта обратити пажњу:** Позивалац и даље бира позадински систем. Мерења производног оптерећења у раду обухватају контејнере и микровиртуелне машине, које користе различите путање складиштења и имају различите трошкове ресурса. Бројке о обиму односе се на једну јединицу DSec-а.

## Један захтев, четири врсте изолованог окружења

Према опису у раду, оквири за обуку, евалуацију и обраду података компаније DeepSeek позивају Python библиотеку под називом `libdsec`. Типичан захтев за стварање окружења бира позадински систем и артефакт окружења, поставља ограничења за процесор и меморију, трајање и мрежна правила и прослеђује почетни кориснички контекст. Када је изоловано окружење спремно, позивалац може да покреће команде или позиве алата, преузме излазне податке и статус и заврши сесију. У примеру сесије из рада користе се контејнер, ограничење меморије, временско ограничење неактивности и мрежна правила која дозвољавају PyPI, а блокирају NPM. Описује се интерфејс унутар платформе DeepSeek-а, а не спољни начин приступа.

Четири позадинска система намењена су различитим задацима. FnCall покреће кратке задатке без стања у унапред креираним контејнерима који се поново користе, па није потребно стварати ново изоловано окружење за сваки позив. Контејнери се користе за рад са репозиторијумима и општу употребу алата; брзо се покрећу и омогућавају густо паковање, али деле језгро са другим контејнерима у виртуелној машини домаћину. Микровиртуелне машине Firecracker обезбеђују границу на нивоу виртуелне машине за задатке којима треба јача изолација, уз већу потрошњу времена при покретању и меморије. Пуне виртуелне машине служе за оперативне системе или графичка оптерећења која захтевају могућности које лакши позадински системи не пружају. Аутори наводе да контејнери и микровиртуелне машине чине већину производних инстанци и потрошње ресурса. То су пројектне одлуке описане у раду, а не измерено безбедносно поређење.

Иза клијента, DSec проверава аутентичност захтева за управљање, бира чвор на основу периодично освежаваног приказа исправности и оптерећења и прослеђује захтев чвору који пружа `edge` услугу. Рубни чвор проверава локални капацитет пре стварања изолованог окружења; може да одбије распоређивање засновано на застарелим информацијама о кластеру. Контејнерима и виртуелним машинама у раду управља посреднички сервер назван `aether`, као и процеси за командне сесије названи `chronus` који служе за команде, рад са датотекама и стримовани излаз. FnCall користи одвојену путању кроз унапред креирани контејнер. Ова разлика је важна јер једна улазна тачка клијента не уклања разлике у извршавању или обради грешака.

## Изградња окружења без копирања свега

У раду се наводе три дела типичног окружења за агента: основна слика, радни простор за задатак и скуп алата који се могу независно мењати. Када би се свака комбинација спаковала у једну слику, ажурирање алата захтевало би поновну изградњу бројних слика. DSec уместо тога слаже слојеве само за читање и додаје слој за писање на врх. За контејнере, измењени Docker рунтиме комбинује те слојеве уз OverlayFS. Микровиртуелне машине користе слојеве EROFS само за читање уз дискове за уписивање, са другачијом путањом блоковског складиштења када то захтева компатибилност система датотека.

Аутори наводе да је током једне производне недеље коришћено 11.266 основних слика контејнера и 102.171 радни простор контејнера. Због те разноврсности мање вреди чувати целе слике на сваком чвору. DSec чува податке слика само за читање у дистрибуираном систему датотека 3FS компаније DeepSeek, уписе смешта на локално складиште и преузима садржај слике када га изоловано окружење затражи. Метаподаци о сликама контејнера копирају се локално, тако да рутинско тражење путања не захтева удаљене позиве. Путања за микровиртуелне машине користи OverlayBD, `ublk` и локални кеш за обраду читања блокова и постепених снимака стања.

У засебном тестирању на 10 чворова, аутори су покренули 8.192 контејнера под оптерећењем за евалуацију агената. Њихова путања EROFS-а са учитавањем на захтев завршила је задатке за око 35 минута, у поређењу са више од 60 минута када се слике унапред преузимају без кеширања; основни поступак са потпуно кешираним сликама такође је завршио за око 35 минута. Пријављени уписи на диск износили су око 700 GB по чвору при учитавању на захтев наспрам више од 1.600 GB при унапред обављеном преузимању. Бројке пореде подешавања у тесту аутора. Не доказују да би се исто побољшање постигло са другом збирком слика или системом складиштења.

## Одржавање неактивних сесија и наставак прекинутих процеса

Изоловано окружење агента може да чека између команди и задржи датотеке, процесе и меморију. У узорку од једне недеље аутори су утврдили да је око 90% контејнера и микровиртуелних машина у просеку користило највише 5% затраженог капацитета процесора. DSec зато смешта бројне активне сесије на исте чворове, уз настојање да ограничи расипање меморије и надметање за ресурсе. За микровиртуелне машине рад описује дељење кеша датотека само за читање кроз `virtio-pmem` уз DAX, као и ослобађање хладних страница у гостујућем систему помоћу DAMON-а и извештавања о слободним страницама балона. Осетљиве задатке такође одваја од послова без гаранције рока кроз контроле распоређивања у Linux-у. У раду се наводе користи од тих механизама у сопственој евалуацији, уз компромисе попут већег привременог оптерећења процесора при коришћењу `virtio-pmem`.

Прекиди обуке стварају још један проблем: рад агента можда и даље садржи корисно стање када се његов GPU посао прекине због преузимања ресурса. Аутори наводе да, почев од DeepSeek-V4.1, DSec покреће петљу агента изван скупа ГПУ-ова чији се послови могу прекинути, у радном контејнеру и изолованом окружењу агента. Посао обуке може поново да се повеже са тим стањем. Када се обука паузира, оквир може да затражи од DSec-а да паузира повезана изолована окружења и ослободи меморију. Контејнери се замрзавају и њихови ресурси ослобађају; код микровиртуелних машина стање извршавања се чува у снимку пре заустављања процеса Firecracker. Каснија операција наставља рад изолованог окружења. То је опис интеграције обуке DeepSeek-а из самог рада, а не општа гаранција опоравка.

## Шта пријављени обим показује, а шта не

DeepSeek наводи да једна јединица DSec-а има готово 160 чворова са процесорима, око 30.000 процесорских језгара и приближно 250 TB DRAM меморије. За ту јединицу пријављује око три милиона инстанци изолованих окружења током уобичајеног дана, највећи број од око 380.000 истовремено активних инстанци и стопу стварања већу од 5.000 инстанци у секунди. То су подаци о производном систему једне јединице које наводе аутори, а не независно проверени укупни подаци за читав систем DeepSeek-а. Експерименти у раду спроведени су на засебном кластеру од 10 чворова.

У извештају се описују и границе система при кваровима. Аутори наводе да су агенти покушавали да до одговора дођу непредвиђеним каналима и да су уобичајене команде рушиле језгро или пуниле складиште излазним подацима. Као мере за ублажавање последица описују контроле датотека и прикључака АппАрмор-а и мрежна правила за свако изоловано окружење, уз изричиту напомену да те контроле не спречавају свако штетно понашање. У раду се не наводе јавна крајња тачка DSec услуге, дистрибуција спољног СДК-а, услови приступа ни цена. Описани су дизајн система и услови тестирања аутора, али није понуђен спољни начин приступа за покретање примера кода.

## Извори и додатна литература

- [Хуанг и др., *DeepSeek Elastic Compute (DSec): A Sandbox Infrastructure for Effective Agentic Training at Scale*, arXiv:2609.22978v1, 19. септембар 2026](https://arxiv.org/html/2609.22978). Целовит технички извештај примарни је извор за SDK, позадинске системе, архитектуру, складиштење окружења, интеграцију обуке, ограничења и евалуацију аутора. У одељцима 2 и 3 описана је путања захтева, у одељцима 5 и 6 механизми, а у одељку 8 поставка и резултати тестирања. Подаци о раду система нису независно проверени за овај чланак.
- [arXiv abstract and first-version submission record](https://arxiv.org/abs/2609.22978). Бележе датум предаје, чињеницу да извештај има 31 страну и ограничену историју рецензије ранијег двостраног проширеног сажетка. Не доказују да је проширени рад прошао стручну рецензију.

## Sources

- [Huang et al., DeepSeek Elastic Compute (DSec): A Sandbox Infrastructure for Effective Agentic Training at Scale, arXiv:2609.22978v1](https://arxiv.org/abs/2609.22978) — Примарни технички извештај; дизајн система и оперативне бројке наводе аутори. Није наведено да је проширена прва верзија прошла стручну рецензију.