如何通过节点池升级节点NVIDIA驱动_容器服务 Kubernetes 版 ACK(ACK)-阿里云帮助中心

如果您使用的CUDA库需要匹配更高版本的NVIDIA驱动，您需要升级节点的驱动版本。基于节点池升级节点NVIDIA驱动后，您可以批量管理集群中不同节点的NVIDIA驱动。本文介绍使用现有节点时，如何通过节点池升级节点NVIDIA驱动。

索引

使用限制
注意事项
基于节点池升级节点NVIDIA驱动介绍
步骤一：确定NVIDIA驱动版本
步骤二：移除节点
步骤三：创建节点池并指定驱动版本
- 方式一：从驱动版本列表选择驱动创建节点池
- 方式二：自定义驱动版本创建节点池
步骤四：添加节点到节点池
步骤五：验证通过节点池升级节点NVIDIA驱动是否成功
相关文档

使用限制

升级NVIDIA驱动的方式本质上是将节点从原有节点池中移除，然后再将该节点添加至新创建的节点池中。除目标节点外，原有节点池中可能存在其它节点，故无法在原有节点池中完成目标节点的NVIDIA驱动升级。节点的NVIDIA驱动升级仅必须通过节点移除。

重要

在添加的过程中，会经历重装系统、安装指定NVIDIA驱动等。请务必在执行升级操作前，确认该节点没有正在运行的任务以及重要数据。为降低风险，建议您先升级一个节点，确认整个升级过程无误后再批量升级。

注意事项

针对自定义驱动版本，有如下注意事项。

对于GPU驱动版本与您业务应用的兼容性（GPU驱动版本与CDUA库版本的兼容性），您需要自行验证，ACK不保证两者之间兼容性。
对于已经安装GPU驱动、NVIDIA container runtime等GPU组件的自定义操作系统镜像，ACK无法保证其提供的GPU驱动与ACK其他GPU组件兼容（例如监控组件等）。
如果您上传自行提供的GPU驱动到OSS中，使用自定义的GPU节点驱动方式，可能引发GPU驱动与操作系统版本、ECS实例类型、Container Runtime等不兼容，继而导致添加GPU节点失败。您需要自行验证，ACK无法保证节点添加的成功率。

基于节点池升级节点NVIDIA驱动介绍

集群默认驱动版本说明

集群版本	默认GPU驱动	是否支持自定义驱动	支持自定义驱动版本
1.14.8	418.181.07	是	418.181.07 450.102.04 460.32.03 460.73.01 470.57.02
1.16.6	418.87.01	否	NA
1.16.9	418.181.07	是	418.181.07 450.102.04 460.32.03 460.73.01 470.57.02 510.47.03
1.18.8	418.181.07	是
1.20.4	450.102.04	是
1.22.10	460.91.03	是
1.24.3	460.91.03	是

基于节点池升级节点NVIDIA驱动的使用示例

如果使用节点池A管理集群中需要升级NVIDIA驱动版本至418.181.07的节点，当需要将任务调度到该驱动版本的节点上时，只需要将任务的selector指定为节点池A的标签。
如果需要将集群中一部分节点的NVIDIA驱动升级至418.181.07版本，另一部分的节点升级至450.102.0版本，您可以将一部分节点添加至节点池A，另一部分节点添加至节点池B。

步骤一：确定NVIDIA驱动版本

选定NVIDIA驱动版本前，您需要确定所使用的CUDA库与哪些NVIDIA驱动版本兼容。您可以参照下表查看CUDA库与NVIDIA驱动的兼容关系，选择合适的NVIDIA驱动版本。更多信息，请参见cuda-toolkit-release-notes。

展开查看CUDA库与NVIDIA驱动的兼容关系

CUDA Toolkit版本	Linux x86_64驱动版本
CUDA 11.7 Update 1	≥515.65.01
CUDA 11.7 GA	≥515.43.04
CUDA 11.6 Update 2	≥510.47.03
CUDA 11.6 Update 1	≥510.47.03
CUDA 11.6 GA	≥510.39.01
CUDA 11.5 Update 2	≥495.29.05
CUDA 11.5 Update 1	≥495.29.05
CUDA 11.5 GA	≥495.29.05
CUDA 11.4 Update 4	≥470.82.01
CUDA 11.4 Update 3	≥470.82.01
CUDA 11.4 Update 2	≥470.57.02
CUDA 11.4 Update 1	≥470.57.02
CUDA 11.4.0 GA	≥470.42.01
CUDA 11.3.1 Update 1	≥465.19.01
CUDA 11.3.0 GA	≥465.19.01
CUDA 11.2.2 Update 2	≥460.32.03
CUDA 11.2.1 Update 1	≥460.32.03
CUDA 11.2.0 GA	≥460.27.03
CUDA 11.1.1 Update 1	≥455.32
CUDA 11.1 GA	≥455.23
CUDA 11.0.3 Update 1	≥ 450.51.06
CUDA 11.0.2 GA	≥ 450.51.05
CUDA 11.0.1 RC	≥ 450.36.06
CUDA 10.2.89	≥ 440.33
CUDA 10.1 (10.1.105 general release, and updates)	≥ 418.39
CUDA 10.0.130	≥ 410.48
CUDA 9.2 (9.2.148 Update 1)	≥ 396.37
CUDA 9.2 (9.2.88)	≥ 396.26
CUDA 9.1 (9.1.85)	≥ 390.46
CUDA 9.0 (9.0.76)	≥ 384.81
CUDA 8.0 (8.0.61 GA2)	≥ 375.26
CUDA 8.0 (8.0.44)	≥ 367.48
CUDA 7.5 (7.5.16)	≥ 352.31
CUDA 7.0 (7.0.28)	≥ 346.46

步骤二：移除节点

登录容器服务管理控制台，在左侧导航栏选择集群。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择节点管理 > 节点。
选中待升级驱动的节点，单击批量移除，然后在移除节点对话框，选中自动排空节点（drain），并单击确定。

步骤三：创建节点池并指定驱动版本

方式一：从驱动版本列表选择驱动创建节点池

说明

此种方式安装驱动较为简单。为节点池的节点打上标签ack.aliyun.com/nvidia-driver-version=<驱动版本>，然后将步骤二：移除节点中集群移除的节点添加到该节点池即可。

本小节以418.181.07驱动版本为例介绍整个操作流程。

登录容器服务管理控制台，在左侧导航栏选择集群。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择节点管理 > 节点池。

单击右上角创建节点池，然后在创建节点池对话框中配置相关参数。

部分配置项说明如下。有关配置项的详细说明，请参见创建Kubernetes专有版集群。

配置项	描述
虚拟交换机	按需填写虚拟交换机和实例规格参数的取值。此信息用于节点扩容，而升级驱动属于添加已有节点，无需使用此信息。
实例规格	按需填写虚拟交换机和实例规格参数的取值。此信息用于节点扩容，而升级驱动属于添加已有节点，无需使用此信息。
操作系统	节点重新加入集群后所使用的操作系统。
期望节点数	可填写实例数量为0。如果实例数量不为0，ACK将会创建新的实例。

单击显示高级选项。
在节点标签参数栏添加标签，单击图标，在键文本框输入ack.aliyun.com/nvidia-driver-version，在值文本框输入418.181.07。
关于容器服务提供的可用NVIDIA驱动版本，请参见集群默认驱动版本说明。
重要
实例规格为ecs.ebmgn7或ecs.ebmgn7e的ECS，仅支持460.32.03之后的NVIDIA驱动版本。
参数配置完成后，单击确认配置。

方式二：自定义驱动版本创建节点池

步骤1：自定义驱动版本

以下以上传NVIDIA-Linux-x86_64-460.32.03.run驱动文件为例，介绍如何自定义驱动版本。您可以在NVIDIA官方网站下载驱动文件。

说明

请将NVIDIA-Linux-x86_64-460.32.03.run放在OSS Bucket的根目录下。

在OSS管理控制台，创建Bucket。具体操作，请参见创建存储空间。
将NVIDIA-Linux-x86_64-460.32.03.run驱动文件上传至OSS。具体操作，请参见上传文件。
说明
实例规格为ecs.ebmgn7或ecs.ebmgn7e的ECS时，需同时将与其版本号一致的Fabric Manager安装包上传至OSS。Fabric Manager安装包的上传格式要求如下。
- 若集群版本为v1.18.8-aliyun.1，请上传RPM格式的安装包。关于安装包的下载地址，请参见RPM。
- 若集群版本为v1.20.11-aliyun.1或v1.22.3-aliyun.1，请上传tar.gz格式的安装包。关于安装包的下载地址，请参见tar。
文件上传成功后，在对象存储管理页左侧导航栏，单击文件管理，然后在文件管理页面，单击已上传驱动文件右侧操作列的详情。
在详情面板，关闭使用HTTPS开关，取消使用HTTPS的配置。
说明
ACK创建集群时会通过URL拉取驱动文件，URL中使用协议为HTTP协议。OSS默认使用HTTPS协议。您需要单击使用HTTPS按钮，取消使用HTTPS的配置。
确认驱动文件配置信息，并记录该文件的URL。
将URL拆成两部分，即endpoint和runfile。
以http://nvidia-XXX-XXX-cn-beijing.aliyuncs.com/NVIDIA-Linux-x86_64-460.32.03.run为例，将其拆分为以下两部分。
- endpoint：nvidia-XXX-XXX-cn-beijing.aliyuncs.com
- runfile：NVIDIA-Linux-x86_64-460.32.03.run

步骤2：自定义驱动版本后，创建节点池

登录容器服务管理控制台，在左侧导航栏选择集群。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择节点管理 > 节点池。

单击右上角创建节点池，在创建节点池对话框中配置相关参数。

部分配置项说明如下。有关配置项的详细说明，请参见创建Kubernetes专有版集群。

配置项	描述
虚拟交换机	按需填写虚拟交换机和实例规格参数的取值。此信息用于节点扩容，而升级驱动属于添加已有节点，无需使用此信息。
实例规格	按需填写虚拟交换机和实例规格参数的取值。此信息用于节点扩容，而升级驱动属于添加已有节点，无需使用此信息。
操作系统	节点重新加入集群后所使用的操作系统。
期望节点数	可填写实例数量为0。如果实例数量不为0，ACK将会创建新的实例。

单击显示高级选项。
在节点标签参数栏添加标签，单击图标。
- 输入第一个标签的键为ack.aliyun.com/nvidia-driver-oss-endpoint，值为nvidia-XXX-XXX-cn-beijing.aliyuncs.com。
- 输入第二个标签的键为ack.aliyun.com/nvidia-driver-runfile，值为NVIDIA-Linux-x86_64-460.32.03.run。
- 根据集群版本，输入第三个标签的键和值。
  - 若集群版本为v1.18.8-aliyun.1，输入键为ack.aliyun.com/nvidia-fabricmanager-rpm，值为nvidia-fabric-manager-460.32.03-1.x86_64.rpm。
  - 若集群版本为v1.20.11-aliyun.1或v1.22.3-aliyun.1，输入键为ack.aliyun.com/nvidia-fabricmanager-tarball，值为fabricmanager-linux-x86_64-460.32.03.tar.gz。
参数配置完成后，单击确认配置。

步骤四：添加节点到节点池

节点池创建完成以后，需要将步骤二：移除节点移除的节点添加到该节点池。具体操作，请参见添加已有节点。

步骤五：验证通过节点池升级节点NVIDIA驱动是否成功

登录容器服务管理控制台，在左侧导航栏选择集群。
在目标集群的操作列，选择更多 > 通过CloudShell管理集群。

执行以下命令，查看带有component: nvidia-device-plugin标签的Pod。

kubectl get po -n kube-system -l component=nvidia-device-plugin -o wide

预期输出：

NAME                                            READY   STATUS    RESTARTS   AGE   IP              NODE                       NOMINATED NODE   READINESS GATES
nvidia-device-plugin-cn-beijing.192.168.1.127   1/1     Running   0          6d    192.168.1.127   cn-beijing.192.168.1.127   <none>           <none>
nvidia-device-plugin-cn-beijing.192.168.1.128   1/1     Running   0          17m   192.168.1.128   cn-beijing.192.168.1.128   <none>           <none>
nvidia-device-plugin-cn-beijing.192.168.8.12    1/1     Running   0          9d    192.168.8.12    cn-beijing.192.168.8.12    <none>           <none>
nvidia-device-plugin-cn-beijing.192.168.8.13    1/1     Running   0          9d    192.168.8.13    cn-beijing.192.168.8.13    <none>           <none>
nvidia-device-plugin-cn-beijing.192.168.8.14    1/1     Running   0          9d    192.168.8.14    cn-beijing.192.168.8.14    <none>           <none>

预期输出表明，NODE列下集群中刚添加的节点对应的Pod名称为nvidia-device-plugin-cn-beijing.192.168.1.128。

执行以下命令查看节点的驱动版本是否符合预期。

kubectl exec -ti nvidia-device-plugin-cn-beijing.192.168.1.128 -n kube-system -- nvidia-smi