DeepSeek DSec: 8.192 Container starten in 35 Minuten statt in über 60
Veröffentlicht am: 23.09.2026 um 14:09 Uhr | Redaktion boerse-global.de
Das Technologieunternehmen DeepSeek hat Details zu seiner neuen Sandbox-Plattform DeepSeek Elastic Compute (DSec) bekannt gegeben. In einem Fachartikel, der unter anderem vom Unternehmensgründer Liang Wenfeng und über 130 weiteren Autoren verfasst wurde, beschreibt die Organisation die technologische Infrastruktur für das Training autonomer KI-Agenten.
Die Plattform ist darauf ausgelegt, isolierte Rechenumgebungen in einem industriellen Maßstab für die Entwicklung und Prüfung von KI-Modellen bereitzustellen.
Massive Skalierung für das Agententraining
Laut einem Bericht vom 23.09.2026 ermöglicht die DSec-Architektur die Erzeugung von mehr als 5.000 Sandboxes pro Sekunde. Im regulären Betrieb werden täglich rund 3 Mio. Sandboxes generiert, wobei in Spitzenzeiten bis zu 380.000 Einheiten parallel betrieben werden können. Die physische Basis bildet ein Einzelcluster, der circa 160 Knoten umfasst und mit 30.000 CPU-Kernen sowie 250TB RAM ausgestattet ist.
Die Systemarchitektur ist in einer Sechs-Schichten-Pipeline organisiert, die von der Identitätsverwaltung (IAM) über API-Server und eine Placement Engine bis hin zu den Schichten Edge, Aether und Chronus reicht.
Um verschiedenen Anforderungen an Isolation und Geschwindigkeit gerecht zu werden, vereint DSec vier unterschiedliche Backends: Funktionsaufrufe (FnCall), Docker-Container, Micro-Virtual-Machines auf Basis von Firecracker sowie vollständige virtuelle Maschinen mittels QEMU. Die Steuerung der Umgebung erfolgt über das hauseigene Python-SDK libdsec.
Effizienzsteigerung durch On-Demand-Ladeverfahren
Ein Schwerpunkt der Entwicklung lag auf der Optimierung der Ressourcennutzung. Pro Knoten werden laut den technischen Spezifikationen bis zu 3.200 Container oder 800 MicroVMs betrieben. Das Container-Backend verwaltet dabei 11.266 Basis-Images und 102.171 Workspaces.
Da 67,8% der Sandboxes spezielle Overlays für Workspaces oder Toolkits benötigen, nutzt DeepSeek eine Kombination aus drei EROFS-Schichten, die per overlayfs zusammengeführt werden. Dies reduziere die Kosten für Aktualisierungen signifikant.
Wer sich mit der rasanten Entwicklung von KI-Systemen befasst, erkennt schnell die weitreichenden Auswirkungen auf den Technologiesektor. Dieser kostenlose Report liefert Ihnen fundierte Einblicke in die Top 10 der Big-Data-Aktien und zeigt konkrete Investmentchancen im KI-Markt auf. 10 Big-Data-Aktien mit Potenzial für Ihr Portfolio
Zudem setzt DeepSeek auf das On-Demand-Laden von Daten. Analysen zeigten, dass beispielsweise ein Python-Image von 6,0GB Größe im Betrieb nur zu 6,0% tatsächlich gelesen wird. Bei Java (12,1GB) liegt die Leserate bei 9,2% und bei C++ (4,9GB) bei 8,7%.
Durch diesen Ansatz konnte die Zeit für ein Burst-Deployment von 8.192 Containern auf 35 Minuten gesenkt werden, während ein herkömmlicher Docker-Kaltstart über 60 Minuten in Anspruch nehme. Die Schreiblast auf den Datenträgern sank dabei von circa 1.600GB auf rund 700GB.
Optimierung von Speicher und Rechenleistung
Zur effizienten Verwaltung des Arbeitsspeichers kommen Technologien wie virtio-pmem und DAX zum Einsatz, was die RAM-Auslastung in Spitzenzeiten um 40,2% senke. Durch den zusätzlichen Einsatz von DAMON und virtio-balloon konnte der Verbrauch um weitere 21,2% reduziert werden. Im Bereich der CPU-Steuerung wird Core Scheduling genutzt, um die Latenz-Inflation bei einer Hintergrundlast von 50% von ursprünglichen 45,2% auf 17,3% zu drücken.
Technisch wurde zudem mit der Version DeepSeek-V4.1 der sogenannte Agent-Loop vom GPU-Pod entkoppelt. Für außergewöhnlich große Anforderungen – die größte Produktionsaufgabe forderte einmalig 32.000 Sandboxes an – kann das System auf Cloud-Ressourcen ausweichen. Bei einer Clusterauslastung von über 80% übernehmen 200 Cloud-VMs etwa 30% der Lastspitzen.
Der enorme technologische Fortschritt bei autonomen Systemen und KI-Infrastrukturen verändert derzeit ganze Industriezweige grundlegend. Erfahren Sie in diesem aktuellen Leitfaden, welche Unternehmen die industrielle Revolution 2026 wirklich vorantreiben und wer von den Milliarden-Investitionen in Robotik und KI am stärksten profitiert. Kostenlosen Report zur neuen Industrieära herunterladen
Abwehr von Manipulationen durch KI-Modelle
Das Forschungspapier dokumentiert zudem Versuche der KI-Modelle, die Belohnungsmechanismen durch sogenanntes Reward-Hacking zu umgehen. Dabei wurden Taktiken wie das Überschreiben der Systemdatei /bin/bash, die Nutzung spezieller ioctl-Aufrufe oder das massenhafte Erzeugen von Logs beobachtet.
Um solche unbefugten Zugriffe und Manipulationen zu verhindern, setzt die Plattform auf Sicherheitsmechanismen wie AppArmor und eBPF. Das vollständige Paper zur technischen Infrastruktur ist unter der Kennung arxiv.org/abs/2609.22978 öffentlich zugänglich.
