ACK集群GPU使用常见问题和解决方法_容器服务 Kubernetes 版 ACK-阿里云帮助中心

本文介绍GPU常见问题。

阿里云容器服务是否支持GPU虚拟化型（vGPU）实例？

vGPU实例需要购买NVIDIA官方提供的GRID License才能正常工作，而阿里云并不提供License服务器。因此即使您创建了GPU虚拟化集群，vGPU实例也无法使用。因此，阿里云容器服务已不再支持在控制台选择vGPU实例作为集群节点。

不支持的虚拟化GPU实例包括以ecs.vgn5i、ecs.vgn6i、ecs.vgn7i、ecs.sgn7i为前缀的ECS实例。如果您的业务对vGPU实例有强依赖，您可以向NVIDIA购买GRID License，自建License服务器。

说明

更新ACK集群中vGPU实例的NVIDIA驱动License时，需要使用License服务器。
购买ECS实例并参考NVIDIA官网教程搭建License服务器。更多信息，请参见NVIDIA。

如果您的License服务器已经搭建完成，请参考以下步骤将vGPU实例加入ACK集群。

将vGPU实例加入ACK集群

请前往权益配额，申请开放自定义系统镜像功能。
基于CentOS 7.X和Alibaba Cloud Linux 2制作自定义系统镜像，镜像中需要安装NVIDIA GRID驱动并且正确配置GRID License。具体操作，请参见使用实例创建自定义镜像和在GPU虚拟化型实例中安装GRID驱动（Linux）。
创建节点池。具体操作，请参见创建节点池。
将vGPU实例加入到步骤3创建的节点池中，具体操作，请参见添加已有节点。

后续相关步骤：更新ACK集群中vGPU实例的NVIDIA驱动License

更新ACK集群中vGPU实例的NVIDIA驱动License，具体操作，请参见更新ACK集群中GPU虚拟化型（vGPU）实例的NVIDIA驱动License。

如何在已有集群的GPU节点上手动升级Kernel？

下面为您介绍如何在已有集群的GPU节点上手动升级Kernel。

说明

当前kernel版本低于3.10.0-957.21.3。

请确认需要升级的目标kernel版本，并谨慎操作。

本文提供方案并不涉及kernel升级，仅针对在kernel升级的前提下对应的Nvidia驱动升级。

获取集群KubeConfig并通过kubectl工具连接集群。

将GPU节点设置为不可调度（本例以节点 cn-beijing.i-2ze19qyi8votgjz12345为例）。

kubectl cordon cn-beijing.i-2ze19qyi8votgjz12345

node/cn-beijing.i-2ze19qyi8votgjz12345 already cordoned

将要升级驱动的GPU节点进行排水。

kubectl drain cn-beijing.i-2ze19qyi8votgjz12345 --grace-period=120 --ignore-daemonsets=true

node/cn-beijing.i-2ze19qyi8votgjz12345 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

卸载当前的nvidia-driver。
说明
本步骤中卸载的是版本为384.111的驱动包，如果您的驱动版本不是384.111，则需要在Nvidia官网下载对应的驱动安装包，并将本步骤中的384.111替换成您实际的版本。
1. 登录到该GPU节点，通过nvidia-smi查看驱动版本。
```
sudo nvidia-smi -a | grep 'Driver Version'
Driver Version                      : 384.111
```
2. 下载Nvidia驱动安装包。
```
sudo cd /tmp/
sudo curl -O https://cn.download.nvidia.cn/tesla/384.111/NVIDIA-Linux-x86_64-384.111.run
```
  说明
  需要在安装包中卸载Nvidia。
3. 卸载当前Nvidia驱动。
```
sudo chmod u+x NVIDIA-Linux-x86_64-384.111.run
sudo sh./NVIDIA-Linux-x86_64-384.111.run --uninstall -a -s -q
```
升级Kernel。
重启GPU机器。
```
sudo reboot
```
重新登录GPU节点，安装对应的kernel devel。
```
sudo yum install -y kernel-devel-$(uname -r)
```

请到Nvidia官网下载和安装您需要的nvidia驱动，本文以410.79为例。

sudo cd /tmp/
sudo curl -O https://cn.download.nvidia.cn/tesla/410.79/NVIDIA-Linux-x86_64-410.79.run
sudo chmod u+x NVIDIA-Linux-x86_64-410.79.run
sudo sh ./NVIDIA-Linux-x86_64-410.79.run -a -s -q

# warm up GPU
sudo nvidia-smi -pm 1 || true
sudo nvidia-smi -acp 0 || true
sudo nvidia-smi --auto-boost-default=0 || true
sudo nvidia-smi --auto-boost-permission=0 || true
sudo nvidia-modprobe -u -c=0 -m || true

查看 /etc/rc.d/rc.local，确认其中是否包含以下配置，如果没有请手动添加。

sudo nvidia-smi -pm 1 || true
sudo nvidia-smi -acp 0 || true
sudo nvidia-smi --auto-boost-default=0 || true
sudo nvidia-smi --auto-boost-permission=0 || true
sudo nvidia-modprobe -u -c=0 -m || true

重启kubelet和docker。

sudo service kubelet stop
sudo service docker restart
sudo service kubelet start

将这个GPU节点重新设置为可调度。

kubectl uncordon cn-beijing.i-2ze19qyi8votgjz12345

node/cn-beijing.i-2ze19qyi8votgjz12345 already uncordoned

在GPU节点上的device plugin pod验证版本。

kubectl exec -n kube-system -t nvidia-device-plugin-cn-beijing.i-2ze19qyi8votgjz12345 nvidia-smi
Thu Jan 17 00:33:27 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 410.79       Driver Version: 410.79       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                                                 |
+-----------------------------------------------------------------------------+

说明

如果通过docker ps命令，发现GPU节点没有容器被启动，请参见修复GPU节点容器启动问题。

修复GPU节点容器启动问题

在某些特定Kubernetes版本中的GPU节点上，重启Kubelet和Docker时，发现没有容器被启动。

sudo service kubelet stop
Redirecting to /bin/systemctl stop kubelet.service
sudo service docker stop
Redirecting to /bin/systemctl stop docker.service
sudo service docker start
Redirecting to /bin/systemctl start docker.service
sudo service kubelet start
Redirecting to /bin/systemctl start kubelet.service

sudo docker ps
CONTAINER ID        IMAGE               COMMAND             CREATED             STATUS              PORTS               NAMES

执行以下命令，查看Docker的Cgroup Driver。

sudo docker info | grep -i cgroup
Cgroup Driver: cgroupfs

此时发现的Cgroup Driver类型是cgroupfs。

您可以按照以下操作，修复该问题。

备份/etc/docker/daemon.json，完成后，执行以下命令更新/etc/docker/daemon.json。

sudo cat >/etc/docker/daemon.json <<-EOF
{
    "default-runtime": "nvidia",
    "runtimes": {
        "nvidia": {
            "path": "/usr/bin/nvidia-container-runtime",
            "runtimeArgs": []
        }
    },
    "exec-opts": ["native.cgroupdriver=systemd"],
    "log-driver": "json-file",
    "log-opts": {
        "max-size": "100m",
        "max-file": "10"
    },
    "oom-score-adjust": -1000,
    "storage-driver": "overlay2",
    "storage-opts":["overlay2.override_kernel_check=true"],
    "live-restore": true
}
EOF

执行以下命令，重启Docker和Kubelet。

sudo service kubelet stop
Redirecting to /bin/systemctl stop kubelet.service
sudo service docker restart
Redirecting to /bin/systemctl restart docker.service
sudo service kubelet start
Redirecting to /bin/systemctl start kubelet.service

执行以下命令，确认Docker的Cgroup Driver的类型为systemd。
```
sudo docker info | grep -i cgroup
Cgroup Driver: systemd
```

裸金属实例节点添加失败怎么办？

由于裸金属实例（ecs.ebmgn7）支持开启MIG。为了避免已有MIG设置对节点部署造成影响，系统会在该类型节点每一次添加进集群时对已有的MIG设置进行重置。由于该类型实例的重置时间不定，可能会出现重置时间过长的情况，从而导致添加节点脚本运行超时添加节点失败。

如果您的该系列节点出现添加失败的情况，请在节点宿主机上执行以下命令：

sudo cat /var/log/ack-deploy.log

在输出结果中查看添加失败的报错位置，是否有以下报错：

command timeout: timeout 300 nvidia-smi --gpu-reset

如果存在则说明，添加节点失败是由MIG的reset引起的。请重新添加该节点，详细信息，请参见添加已有节点。

Alibaba Cloud Linux 3运行GPU容器出现Failed to initialize NVML: Unknown Error的问题怎么办？

问题现象

在Alibaba Cloud Linux 3上执行systemctl daemon-reload、systemctl daemon-reexec等操作后，在GPU容器内部无法正常使用GPU设备，具体表现为在GPU容器内部执行nvidia-smi会出现如下报错。

sudo nvidia-smi

Failed to initialize NVML: Unknown Error

问题原因

在Alibaba Cloud Linux 3上使用systemd时会有如下行为：在执行systemctl daemon-reload、systemctl daemon-reexec等操作时，会更新cgroup相关配置，进而影响NVIDIA GPU设备在容器中的正常使用。更详细的信息，请参见社区相关的issue1671、48。

解决方案

如果出现上述问题，您可以参考如下情况描述和对应方法，结合自身业务要求，尝试解决。

情况一：如果您的应用Pod申请GPU资源的方式是通过为容器设置环境变量NVIDIA_VISIBLE_DEVICES=all实现，您可以评估能否给该应用容器添加一个privileged权限，privileged权限的添加可以参考以下示例。

apiVersion: v1
kind: Pod
metadata:
  name: test-gpu-pod
spec:
  containers:
    - name: test-gpu-pod
      image: centos:7
      command:
      - sh
      - -c
      - sleep 1d
      securityContext: # 为容器添加privilege权限
        privileged: true

情况二：对于使用共享GPU调度的应用，目前建议使用Alibaba Cloud Linux 2或CentOS 7。
情况三：重建该应用Pod。但在执行该操作前，您需要评估重建该应用Pod是否会对您的业务造成影响，并且该方案并不能保证重建后的Pod不会再出现该问题。
情况四：如果以上情况都不适用，可以评估您的业务能否使用其他操作系统，例如：Alibaba Cloud Linux 2或者CentOS 7。