Resource Scheduling and Preemption

设计一套分布式 job 调度器(cron-as-a-service)：让各租户注册周期性与一次性的 job，保证每个 job 都在接近排定时间时触发，并在 worker 与协调者故障时存活，不会重复执行、也不会静默漏掉 job。

为多个团队共用的大型 GPU/TPU 训练集群设计调度器，这些团队都在跑分布式训练作业；要处理 gang scheduling(整组一起排)、抢占，以及故障恢复。