文档

监控和隔离GPU资源

更新时间:

阿里云容器服务Kubernetes版(ACK)通过托管的Prometheus,可以提升GPU资源管理的可见性。通过共享GPU方案,能够实现多个应用调度到同一张GPU卡上,并对卡上的每个应用实现显存隔离与算力分割。本文以实际示例介绍如何通过托管的Prometheus查看集群的GPU显存使用,以及验证共享GPU方案。

适用场景

本文示例适用于已开通GPU共享调度功能的ACK专有版集群及ACK Pro版集群。

前提条件

  • 已创建GPU专有版集群,且Kubernetes版本不低于1.16。具体操作,请参见创建专有GPU集群

  • 已开通ARMS。具体操作,请参见开通ARMS

  • 已开启阿里云Prometheus监控。具体操作,请参见开启阿里云Prometheus监控

  • GPU硬件为Tesla P4、Tesla P100、 Tesla T4或Tesla V100(16 GB)。

背景信息

推动人工智能不断向前的动力来自于强大的算力、海量的数据和优化的算法,而NVIDIA GPU是最流行的异构算力提供者,是高性能深度学习的基石。GPU的价格不菲,从使用率的角度来看,模型预测场景下,应用独占GPU模式会造成计算资源的浪费。共享GPU模式可以提升资源利用率,但需要考虑如何达到成本和QPS平衡的最优,以及如何保障应用的SLA。

通过托管Prometheus监控独享GPU

  1. 登录ARMS控制台

  2. 在左侧导航栏中,单击Prometheus监控

  3. Prometheus监控页面中,选择集群所在地域,然后单击目标集群操作列的安装

  4. 确认对话框中,单击确认

    插件安装过程需要2分钟左右。安装插件完毕后,已安装大盘列中将显示全部已安装的插件。

  5. 通过命令行部署以下示例应用,详情请参见通过命令管理应用

    apiVersion: apps/v1
    kind: StatefulSet
    metadata:
      name: app-3g-v1
      labels:
        app: app-3g-v1
    spec:
      replicas: 1
      serviceName: "app-3g-v1"
      podManagementPolicy: "Parallel"
      selector: # define how the deployment finds the pods it manages
        matchLabels:
          app: app-3g-v1
      updateStrategy:
        type: RollingUpdate
      template: # define the pods specifications
        metadata:
          labels:
            app: app-3g-v1
        spec:
          containers:
          - name: app-3g-v1
            image: registry.cn-hangzhou.aliyuncs.com/ai-samples/gpushare-sample:tensorflow-1.5
            command:
            - cuda_malloc
            - -size=4096
            resources:
              limits:
                nvidia.com/gpu: 1

    部署成功后,执行以下命令,查看应用的状态,可以得出应用的名称是app-3g-v1-0。

    kubectl get pod

    预期输出:

    NAME          READY   STATUS    RESTARTS   AGE
    app-3g-v1-0   1/1     Running   1          2m56s
  6. 单击目标集群,在目标集群的大盘列表页面,单击名称列的GPU APP

    可以看到该应用的GPU显存占用率仅为20%,存在80%的浪费。而它使用的显存稳定在3.4 GB左右,而总显存为16 GB左右。因此一个应用独占一张GPU卡的模式比较浪费,可以考虑通过使用cGPU(container GPU)将多个应用部署在同一张GPU卡上。GPU显存利用率

实现多容器共享同一张GPU卡

  1. 为带有GPU设备的节点打标签。

    1. 登录容器服务管理控制台

    2. 在控制台左侧导航栏,单击集群

    3. 集群列表页面,单击目标集群名称或者目标集群右侧操作列下的应用管理

    4. 在集群管理页左侧导航栏,选择节点管理 > 节点

    5. 节点管理页面,单击右上角标签与污点管理

    6. 标签与污点管理页面中,批量选择Worker节点,然后单击添加标签

    7. 添加对话框中,填写指定的标签名称和值(标签的名称为cgpu,值为true),单击确定

      重要

      如果某个Worker节点设置了标签为cgpu=true,那么该节点将不再拥有独享GPU资源nvidia.com/gpu;如果该节点需要关闭GPU共享功能,请设置标签cgpu的值为false,同时该节点将重新拥有独享GPU资源nvidia.com/gpu

  2. 安装cGPU相关组件。

    1. 登录容器服务管理控制台

    2. 在控制台左侧导航栏,选择市场 > 应用市场

    3. 应用目录页面搜索ack-cgpu,然后单击ack-cgpu。

    4. 在右侧的创建面板中选择前提条件中创建的集群和命名空间,并单击创建

    5. 登录Master节点并执行以下命令查看GPU资源。

      登录Master节点相关步骤,请参见通过kubectl工具连接集群

      kubectl inspect cgpu

      预期输出:

      NAME                       IPADDRESS      GPU0(Allocated/Total)  GPU Memory(GiB)
      cn-hangzhou.192.168.2.167  192.168.2.167  0/15                   0/15
      ----------------------------------------------------------------------
      Allocated/Total GPU Memory In Cluster:
      0/15 (0%)
      说明

      此时可以发现该节点的GPU资源维度已经从GPU显卡变成GPU显存。

  3. 部署共享GPU的工作负载。

    1. 修改之前部署应用的YAML文件。

      • 将实例的副本数从1改为2,这样可以指定部署两个负载。而在原有GPU独享的配置下,单个GPU卡只能调度单个容器;修改配置后,可以部署两个Pod实例。

      • 将资源维度从nvidia.com/gpu变为aliyun.com/gpu-mem,单位也从个变成了GB。

      apiVersion: apps/v1
      kind: StatefulSet
      metadata:
        name: app-3g-v1
        labels:
          app: app-3g-v1
      spec:
        replicas: 2
        serviceName: "app-3g-v1"
        podManagementPolicy: "Parallel"
        selector: # define how the deployment finds the pods it manages
          matchLabels:
            app: app-3g-v1
        template: # define the pods specifications
          metadata:
            labels:
              app: app-3g-v1
          spec:
            containers:
            - name: app-3g-v1
              image: registry.cn-hangzhou.aliyuncs.com/ai-samples/gpushare-sample:tensorflow-1.5
              command:
              - cuda_malloc
              - -size=4096
              resources:
                limits:
                  aliyun.com/gpu-mem: 4   #每个Pod申请4 GB显存,因为replicas值为2,所以该应用总共申请8 GB显存
    2. 按照GPU显存维度调度重新创建工作负载。

      从运行结果看,两个Pod都运行在同一个GPU设备上。

      kubectl inspect cgpu -d

      预期输出:

      NAME:       cn-hangzhou.192.168.2.167
      IPADDRESS:  192.168.2.167
      
      NAME         NAMESPACE  GPU0(Allocated)
      app-3g-v1-0  default    4
      app-3g-v1-1  default    4
      Allocated :  8 (53%)
      Total :      15
      --------------------------------------------------------
      
      Allocated/Total GPU Memory In Cluster:  8/15 (53%)
    3. 执行以下命令,分别登录到两个容器。

      可以看到各自GPU显存的上限已经设置为4301 MiB, 也就是在容器内使用的GPU显存不会超过此上限。

      • 执行以下命令登录app-3g-v1-0容器。

        kubectl exec -it app-3g-v1-0 nvidia-smi

        预期输出:

        Mon Apr 13 01:33:10 2020
        +-----------------------------------------------------------------------------+
        | NVIDIA-SMI 418.87.01    Driver Version: 418.87.01    CUDA Version: 10.1     |
        |-------------------------------+----------------------+----------------------+
        | GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
        | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
        |===============================+======================+======================|
        |   0  Tesla V100-SXM2...  On   | 00000000:00:07.0 Off |                    0 |
        | N/A   37C    P0    57W / 300W |   3193MiB /  4301MiB |      0%      Default |
        +-------------------------------+----------------------+----------------------+
        
        +-----------------------------------------------------------------------------+
        | Processes:                                                       GPU Memory |
        |  GPU       PID   Type   Process name                             Usage      |
        |=============================================================================|
        +-----------------------------------------------------------------------------+
      • 执行以下命令登录app-3g-v1-1容器。

        kubectl exec -it app-3g-v1-1 nvidia-smi

        预期输出:

        Mon Apr 13 01:36:07 2020
        +-----------------------------------------------------------------------------+
        | NVIDIA-SMI 418.87.01    Driver Version: 418.87.01    CUDA Version: 10.1     |
        |-------------------------------+----------------------+----------------------+
        | GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
        | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
        |===============================+======================+======================|
        |   0  Tesla V100-SXM2...  On   | 00000000:00:07.0 Off |                    0 |
        | N/A   38C    P0    57W / 300W |   3193MiB /  4301MiB |      0%      Default |
        +-------------------------------+----------------------+----------------------+
        
        +-----------------------------------------------------------------------------+
        | Processes:                                                       GPU Memory |
        |  GPU       PID   Type   Process name                             Usage      |
        |=============================================================================|
        +-----------------------------------------------------------------------------+
    4. 登录到节点,查看GPU的使用情况。

      可以看到该GPU被使用的显存资源为两个容器之和,即6396 MiB,因此cGPU资源已经实现了按容器隔离的效果。如果此时登录到容器内尝试申请更多的GPU资源,会直接报出显存分配失败的错误。

      1. 执行以下命令,登录到节点。

        kubectl exec -it app-3g-v1-1 bash
      2. 执行以下命令, 查看GPU的使用情况。

        cuda_malloc -size=1024

        预期输出:

        gpu_cuda_malloc starting...
        Detected 1 CUDA Capable device(s)
        
        Device 0: "Tesla V100-SXM2-16GB"
          CUDA Driver Version / Runtime Version          10.1 / 10.1
          Total amount of global memory:                 4301 MBytes (4509925376 bytes)
        Try to malloc 1024 MBytes memory on GPU 0
        CUDA error at cgpu_cuda_malloc.cu:119 code=2(cudaErrorMemoryAllocation) "cudaMalloc( (void**)&dev_c, malloc_size)"

您可以通过ARMS控制台,从应用和节点两个维度来监控GPU的使用量。

  • GPU APP:可以查看每个应用的GPU显存用量和占比。GPU App

  • GPU Node:可以查看GPU卡的显存使用量。GPU node

使用托管Prometheus来监控共享GPU

当某个应用声明的GPU显存使用量超过了资源上限后,共享GPU方案中的GPU显存隔离模块可以确保其他应用不受影响。

  1. 部署一个新的GPU应用。

    该应用声明使用的GPU显存是4 GB,但是它实际使用的GPU显存为6 GB。

    apiVersion: apps/v1
    kind: StatefulSet
    metadata:
      name: app-6g-v1
      labels:
        app: app-6g-v1
    spec:
      replicas: 1
      serviceName: "app-6g-v1"
      podManagementPolicy: "Parallel"
      selector: # define how the deployment finds the pods it manages
        matchLabels:
          app: app-6g-v1
      template: # define the pods specifications
        metadata:
          labels:
            app: app-6g-v1
        spec:
          containers:
          - name: app-6g-v1
            image: registry.cn-shanghai.aliyuncs.com/tensorflow-samples/cuda-malloc:6G
            resources:
              limits:
                aliyun.com/gpu-mem: 4 #每个Pod申请了4 GB显存,副本数为1,该应用总共申请4 GB显存
  2. 执行以下命令,查看Pod的状态。

    新应用的pod一直处于CrashLoopBackOff,而之前两个Pod还是正常运行的状态。

    kubectl get pod

    预期输出:

    NAME          READY   STATUS             RESTARTS   AGE
    app-3g-v1-0   1/1     Running            0          7h35m
    app-3g-v1-1   1/1     Running            0          7h35m
    app-6g-v1-0   0/1     CrashLoopBackOff   5          3m15s
  3. 执行以下命令,查看容器的日志报错。

    可以看到报错是由于cudaErrorMemoryAllocation造成的。

    kubectl logs app-6g-v1-0

    预期输出:

    CUDA error at cgpu_cuda_malloc.cu:119 code=2(cudaErrorMemoryAllocation) "cudaMalloc( (void**)&dev_c, malloc_size)"
  4. 通过托管Prometheus的GPU APP组件来查看容器状态。

    可以看到之前的容器一直处于平稳运行之中,并没有受到新部署应用的影响。GPU APP资源隔离

  • 本页导读 (1)
文档反馈