GPU设备插件(GPU Device-Plugin)是Kubernetes集群中用于管理每个节点的GPU的组件,它使得Kubernetes能够更方便、高效地利用GPU资源。本文介绍在独占GPU调度场景下,如何对节点的GPU Device-Plugin进行重启和GPU设备隔离等操作,以及如何查看和更新Device-Plugin版本。
GPU Device-Plugin重启
在ACK的独占GPU调度场景下,节点上GPU的设备上报的Device Plugin默认以一个Static Pod的形式部署,所以重启过程需要在目标节点上进行。具体操作如下:
mv /etc/kubernetes/manifests/nvidia-device-plugin.yml /etc/kubernetes/
# 等待几秒,旧Pod被清理的过程。
mv /etc/kubernetes/nvidia-device-plugin.yml /etc/kubernetes/manifests/
GPU设备隔离
GPU设备隔离操作仅支持在nvidia-device-plugin的v0.9.1及以上版本中使用。如何查看nvidia-device-plugin的版本,请参见查看并更新Device-Plugin版本。
在ACK的独占GPU调度场景下,出于某些原因(例如GPU设备故障等),您需要隔离节点上的某个GPU设备,ACK提供了一个机制可供您手动对节点上的某个设备进行隔离,以避免新的Kubernetes设备调度到这个设备上。具体的操作方式如下:
在目标节点/etc/nvidia-device-plugin/
的目录下操作unhealthyDevices.json
这个文件,如果此文件不存在,请新建此文件。unhealthyDevices.json
的文件格式请按照以下JSON格式编排。
{
"index": ["x", "x" ..],
"uuid": ["xxx", "xxx" ..]
}
您可以根据个人偏好,在JSON中填写目标隔离设备的index
或uuid
(同一个设备只需填写任意一个),保存文件后即自动生效。
设置完成后,您可以通过查看Kubernetes Node上报的Resource中的nvidia.com/gpu
资源的数量以查看隔离的效果。
查看并更新Device-Plugin版本
您在目标节点上/etc/kubernetes/manifests/nvidia-device-plugin.yml
文件中查看的device-plugin的镜像Tag,其所代表的版本号即为Device-Plugin的版本。
目前ACK所支持的最新的版本为v0.9.1-3f942982-aliyun
,如需将节点中的nvidia-device-plugin升级至最新版本,请将nvidia-device-plugin的static的YAML文件即/etc/kubernetes/manifests/nvidia-device-plugin.yml
更新为以下内容:
apiVersion: v1
kind: Pod
metadata:
annotations:
scheduler.alpha.kubernetes.io/critical-pod: ""
labels:
component: nvidia-device-plugin
name: nvidia-device-plugin
namespace: kube-system
spec:
priorityClassName: system-node-critical
hostNetwork: true
containers:
- image: registry-<REGION-ID>-vpc.ack.aliyuncs.com/acs/k8s-device-plugin:v0.9.1-3f942982-aliyun
# Image中的<REGION-ID>需要替换为您节点所在的阿里云的Region Id,例如cn-beijing、cn-hangzhou等。
name: nvidia-device-plugin-ctr
args: ["--fail-on-init-error=false","--pass-device-specs=true","--device-id-strategy=index"]
livenessProbe:
httpGet:
path: /health
port: 30080
initialDelaySeconds: 10
timeoutSeconds: 2
periodSeconds: 5
failureThreshold: 3
resources:
limits:
memory: "200Mi"
cpu: "500m"
env:
- name: DP_DISABLE_HEALTHCHECKS
value: all
securityContext:
allowPrivilegeEscalation: false
capabilities:
drop: ["ALL"]
volumeMounts:
- name: device-plugin
mountPath: /var/lib/kubelet/device-plugins
- name: device-plugin-config
mountPath: /etc/nvidia-device-plugin
volumes:
- name: device-plugin
hostPath:
path: /var/lib/kubelet/device-plugins
- name: device-plugin-config
hostPath:
path: /etc/nvidia-device-plugin
type: DirectoryOrCreate
相关文档
如遇到GPU节点相关问题,请参见自助诊断GPU节点问题、GPU FAQ。
如需了解共享GPU调度的相关信息,请参见共享GPU调度概述。
- 本页导读 (1)