如果您使用的CUDA库需要匹配更高版本的NVIDIA驱动,需要升级节点的NVIDIA驱动。本文介绍如何手动升级GPU节点驱动。

前提条件

通过kubectl工具连接集群

操作步骤

  1. 执行以下命令,将待升级驱动的GPU节点设置为不可调度状态。
    kubectl cordon <$Node_ID>
    说明 <$Node_ID>为节点的ID。

    预期输出:

    node/<$Node_ID> already cordoned
  2. 执行以下命令,将待升级驱动的GPU节点从集群中移除。
    kubectl drain <$Node_ID> --grace-period=120 --ignore-daemonsets=true   #设置120秒钟的宽限期限,让任务优雅的关闭。

    预期输出:

    node/cn-beijing.<$Node_ID> cordoned
    WARNING: Ignoring DaemonSet-managed pods: flexvolume-9scb4, kube-flannel-ds-r2qmh, kube-proxy-worker-l62sf, logtail-ds-f9vbg
    pod/nginx-ingress-controller-78d847fb96-5fkkw evicted
  3. 卸载该GPU节点的NVIDIA驱动。
    说明 本步骤中卸载的是418.87.01版本的驱动包,如果您的目标驱动版本不是418.87.01,则需要到NVIDIA的官网中下载对应的驱动安装包,并将本步骤中的418.87.01版本的驱动包替换成您实际的版本。
    1. 登录到该GPU节点,执行以下命令,查看驱动版本。
      说明 关于如何登录到GPU节点,请参见通过密码认证登录Linux实例通过密码认证登录Windows实例
      nvidia-smi -a | grep 'Driver Version'

      预期输出:

      Driver Version                      : 418.87.01
    2. 执行以下命令,下载NVIDIA驱动安装包。
      cd /tmp/
      wget https://us.download.nvidia.com/tesla/418.87/NVIDIA-Linux-x86_64-418.87.01.run
    3. 执行以下命令,卸载当前NVIDIA驱动。
      chmod u+x NVIDIA-Linux-x86_64-418.87.01.run
      ./NVIDIA-Linux-x86_64-418.87.01.run --uninstall -a -s -q
  4. 执行以下命令,重启GPU节点。
    reboot
  5. 执行以下命令,从NVIDIA官网下载并安装您需要的NVIDIA驱动,本文以下载418.181.07版本为例。
    cd /tmp/
    wget https://us.download.nvidia.com/tesla/418.181.07/NVIDIA-Linux-x86_64-418.181.07.run
    chmod u+x NVIDIA-Linux-x86_64-418.181.07.run
    sh ./NVIDIA-Linux-x86_64-418.181.07.run -a -s -q
  6. 参考以下命令,根据实际情况,添加优化参数。
    nvidia-smi -pm 1 || true                            # 代表启用Persistence模式。
    nvidia-smi -acp 0 || true                           # 切换权限要求为UNRESTRICTED。
    nvidia-smi --auto-boost-default=0 || true           # 不开启自动提升模式,0代表不启用。
    nvidia-smi --auto-boost-permission=0 || true        # 允许非管理员控制自动提升模式,0代表允许,1代表不允许。
    nvidia-modprobe -u -c=0 -m || true                  # 加载NVIDIA统一内存内核模块,而不是NVIDIA内核模块,且使用给定的编号创建NVIDIA设备文件。
  7. 如果需要开机自启动NVIDIA驱动,请查看/etc/rc.d/rc.local文件,确认包含以下配置,如果没有请手动添加。
    nvidia-smi -pm 1 || truenvidia-smi -acp 0 || truenvidia-smi --auto-boost-default=0 || truenvidia-smi --auto-boost-permission=0 || truenvidia-modprobe -u -c=0 -m || true
  8. 执行以下命令,重启Kubelet和Docker服务。
    systemctl restart docker && systemctl restart kubelet
  9. 执行以下命令,将GPU节点重新设置为可调度状态。
    kubectl uncordon <$Node_ID>

    预期输出:

    node/<$Node_ID> already uncordoned
  10. 执行以下命令,在GPU节点的device-plugin Pod上验证版本信息。
    kubectl exec -n kube-system -t nvidia-device-plugin-<$Node_ID> nvidia-smi

    预期输出:

    Thu Jan 17 00:33:27 2019
    +-----------------------------------------------------------------------------+
    | NVIDIA-SMI 418.181.07   Driver Version: 418.181.07   CUDA Version: N/A      |
    |-------------------------------+----------------------+----------------------+
    | 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 P100-PCIE...  On   | 00000000:00:09.0 Off |                    0 |
    | N/A   27C    P0    28W / 250W |      0MiB / 16280MiB |      0%      Default |
    +-------------------------------+----------------------+----------------------+
    
    +-----------------------------------------------------------------------------+
    | Processes:                                                       GPU Memory |
    |  GPU       PID   Type   Process name                             Usage      |
    |=============================================================================|
    |  No running processes found                                                 |
    +-----------------------------------------------------------------------------

    从上述输出信息,可以知道GPU节点的版本已成功升级到预期版本。

    如果没有升级到预期版本,您可以通过执行docker ps命令,查看GPU节点的容器是否启动。关于GPU节点容器启动问题,请参见修复GPU节点容器启动问题