GPU FAQ

更新时间:2025-04-25 02:27:45

本文介绍了GPU常见问题,包括性能优化、驱动安装和故障排除等方面的详细解答。

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vGPU实例包括以ecs.vgn5i、ecs.vgn6i、ecs.vgn7i、ecs.sgn7i为前缀的ECS实例。如果需要使用vGPU实例,请向NVIDIA购买GRID License并自建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。

vGPU实例加入ACK集群

  1. 请前往权益配额,申请开放自定义系统镜像功能。

  2. 基于CentOS 7.XAlibaba 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GPU虚拟化型实例中安装GRID驱动(Linux)

  3. 创建节点池。具体操作,请参见创建和管理节点池

  4. 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。

  1. 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
  2. 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
  3. 卸载当前的NVIDIA驱动。

    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,请在NVIDIA官网下载对应版本的驱动安装包,并替换相应的版本号。

    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
  4. 升级Kernel。

  5. 重启GPU机器。

    sudo reboot
  6. 重新登录GPU节点,安装对应的Kernel Devel。

    sudo yum install -y kernel-devel-$(uname -r)
  7. 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
  8. 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
  9. 重启kubeletDocker。

    sudo service kubelet stop
    sudo service docker restart
    sudo service kubelet start
  10. 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
  11. 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KubeletDocker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DockerCgroup 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。

  1. 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
  2. 重启Dockerkubelet。

    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
  3. 确认DockerCgroup 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。

如果该系列节点添加失败,请在节点宿主机上执行以下命令:

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

查看输出结果中是否有以下报错:

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

如果存在该报错,说明添加节点失败是由MIGreset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

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

Alibaba Cloud Linux 3上使用systemd时会有如下行为:在执行systemctl daemon-reloadsystemctl 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issue167148

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 2CentOS 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。

使用GPU时出现XID 119/XID 120错误导致GPU掉卡怎么办?

问题现象

使用GPU时出现GPU掉卡现象,例如在Linux系统上使用GPU时,出现GPU卡初始化失败的错误提示。执行sh nvidia-bug-report.sh nvidia-bug-report.sh命令后,在生成的日志中,可以看到XID 119XID 120错误信息。以XID 119报错页面为例,显示如下:

123

说明

关于其他XID Errors的更多信息,请参见NVIDIA Common XID Errors

问题原因

引起上述问题的原因可能是GPUGSP(GPU System Processor)组件运行状态异常,升级NVIDIA最新版本驱动后,如果GPU掉卡问题仍然会复现,则建议您关闭GSP功能。

说明

如果您想了解更多关于GSP功能的影响详情,请参见开启或关闭GSP功能的影响

解决方案

以下根据不同场景说明如何关闭GSP。

扩容新节点
添加已有节点
管理集群中已有节点

您可以新建节点池或编辑已有节点池的配置,在高级配置中为节点池配置标签ack.aliyun.com/disable-nvidia-gsp=true。后续扩容新节点时,ACK会自动在该节点上设置关闭GSP所需的配置。

操作入口和节点池配置项说明,请参见创建和管理节点池

image

说明

关闭GSP相关步骤可能会造成扩容节点的时延增加。

  1. 您可以新建节点池或编辑待添加节点的节点池的配置,在高级配置中为节点池配置标签ack.aliyun.com/disable-nvidia-gsp=true。已有节点添加到节点池中后,ACK会自动在该节点上设置关闭GSP所需的配置。

    操作入口和节点池配置项说明,请参见创建和管理节点池

    image

    说明

    关闭GSP相关步骤可能会造成添加节点到集群的时延增加。

  2. 将已有节点添加至节点池。操作入口和相关注意事项,请参见添加已有节点

您可以通过以下方式在已有节点中关闭GSP。

通过节点池标签方式关闭GSP

  1. 为节点所在节点池配置标签ack.aliyun.com/disable-nvidia-gsp=true

    操作入口和节点池配置项说明,请参见编辑节点池

    image

  2. 将该节点移除集群,但不释放ECS。具体操作,请参见移除节点

  3. 以添加已有节点的方式将已移除的节点重新添加到集群中。操作入口和相关注意事项,请参见添加已有节点

登录节点手动执行关闭GSP

如果您的节点无法通过移除集群再添加到集群方式来关闭GSP,那么您可以登录节点,手动执行关闭GSP的步骤。具体操作,请参见常见问题

说明

NVIDIA驱动在510版本引入了GSP。例如,如果您需要登录节点,手动将驱动由470升级至525版本,那么您在470版本时无需关闭GSP,但升级至525版本后,有可能会触发GSP缺陷。请在升级驱动完成后,参见常见问题手动执行关闭GSP的步骤。

如何手动隔离集群中的故障卡?

在使用共享GPU调度时,集群中可能会出现坏卡导致任务运行失败的情况。为防止重启后的任务再次调度到坏卡上导致重复失败,您可以手动标记坏卡,调度器将不再使用该卡,从而实现故障隔离。

说明
  • 使用该功能之前,请确认您的调度器版本以及集群版本满足以下要求。

    • 1.24及以上版本集群,调度器版本不低于1.xx.x-aliyun-6.4.3.xxx。

    • 1.22版本集群,调度器版本不低于1.22.15-aliyun-6.2.4.xxx。

  • 集群已使用共享GPU调度

您可以通过向集群中提交一个特殊的ConfigMap的方式来标记故障GPU,参考以下示例:

apiVersion: v1
kind: ConfigMap
metadata:
  name: <node-name>-device-status   # 替换 <node-name>为实际的节点名。
  namespace: kube-system
data:
  devices: |
    - deviceId: 0          #执行nvidia-smi获取GPU序号
      deviceType: gpu
      healthy: false

ConfigMap应在kube-system命名空间中,且命名应当为故障卡所在的节点名加上-device-status后缀。datadeviceId为通过nvidia-smi获取的GPU序号,deviceTypegpuhealthyfalse。提交配置后,调度器将隔离对应GPU卡。

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

问题现象

若您节点操作系统为Ubuntu 22.04Red Hat Enterprise Linux(RHEL) 9.3 64位时,在GPU容器内部执行nvidia-smi可能会出现如下报错。

sudo nvidia-smi

Failed to initialize NVML: Unknown Error

问题原因

在节点上执行systemctl daemon-reloadsystemctl daemon-reexec等操作后,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。

通过以下几种方式为Pod申请GPU资源将会受影响:

  • Podresources.limits中指定aliyun.com/gpu-mem资源。

  • Pod中为容器设置环境变量NVIDIA_VISIBLE_DEVICES,以便pod能够访问节点上的GPU资源。

  • Pod所使用的容器镜像在制作时默认设置NVIDIA_VISIBLE_DEVICES的环境变量,且Pod希望访问节点GPU资源。

说明
  • Podresources.limits中指定资源nvidia.com/gpu申请GPU资源不会受影响。

  • NVIDIA Device Plugin组件及ack-gpu-exporter组件会为Pod默认配置环境变量NVIDIA_VISIBLE_DEVICES=all

解决方案

  • 您可以通过重建该应用Pod的方式来临时修复此问题。在执行该操作前,请评估重建该应用Pod是否会对您的业务造成影响。若问题重复出现,则需要您再次重建Pod。

  • 如果您的应用Pod通过将环境变量NVIDIA_VISIBLE_DEVICES=all的方式来申请GPU资源时。您可以为该应用容器添加privileged权限,示例配置如下:

    重要

    privileged权限本身存在一定安全风险,也可重建该应用Pod,重建Pod仅为临时修复,无法避免问题复发。

    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
  • 本页导读 (1)
  • 阿里云容器服务是否支持GPU虚拟化型(vGPU)实例?
  • 如何在已有集群的GPU节点上手动升级Kernel?
  • 修复GPU节点容器启动问题
  • 裸金属实例节点添加失败怎么办?
  • Alibaba Cloud Linux 3运行GPU容器出现Failed to initialize NVML: Unknown Error的问题怎么办?
  • 使用GPU时出现XID 119/XID 120错误导致GPU掉卡怎么办?
  • 如何手动隔离集群中的故障卡?
  • 运行GPU容器出现Failed to initialize NVML: Unknown Error的问题怎么办?
AI助理

点击开启售前

在线咨询服务

你好,我是AI助理

可以解答问题、推荐解决方案等