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。本文介绍如何通过节点池升级现有节点NVIDIA驱动。
使用限制
升级NVIDIA驱动需要将节点从原有节点池中移除,并添加至新创建的节点池中。由于原有节点池中可能存在其它节点,无法在原有节点池中完成目标节点的NVIDIA驱动升级。
在添加过程中,节点会经历重装系统和安装指定NVIDIA驱动。请在执行升级操作前,确认该节点没有正在运行的任务和重要数据。为降低风险,建议先升级一个节点,确认整个升级过程无误后再批量升级。
注意事项
ACK不保证GPU驱动版本与CUDA库版本的兼容性,您需要自行验证二者之间的适配性。
NVIDIA各卡型对驱动版本的更详细的要求,请参见NVIDIA官方文档。
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)。
通过节点池标签指定GPU节点的驱动版本时,驱动安装过程在添加节点时触发,因此仅适用于新扩容或新添加的节点,现有节点将不受影响。如需对已有节点应用新驱动,请移除节点并重新添加已有节点。
实例规格为gn7和ebmgn7对510.xxx和515.xxx版本驱动存在兼容性问题,建议使用关闭GSP的510以下的驱动版本(例如:470.xxx.xxxx)或525.125.06及其以上的驱动版本。
新建节点池过程中,如果您指定的驱动版本不存在于ACK支持的NVIDIA驱动版本列表,ACK将自动安装默认驱动版本。若您指定了与最新操作系统不兼容驱动版本,可能存在节点添加失败的情况,需选择目前支持的最新驱动版本。
如果您上传自己的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。ACK无法保证节点添加的成功率,请您自行验证。
使用示例
如果您使用节点池A管理集群已升级NVIDIA驱动版本的节点,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
nodeselector
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550.144.03版本,另一部分的节点升级至535.161.07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。您可以参见cuda-toolkit-release-notes查看CUDA库与NVIDIA驱动的兼容关系,选择合适的NVIDIA驱动版本。
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列表。
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 。
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
从驱动版本列表选择驱动创建节点池
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>
,然后将步骤二中集群移除的节点添加到该节点池即可。
自定义驱动版本创建节点池
本小节以驱动版本515.86.01为例进行介绍。
步骤一:自定义驱动版本
如果中未包含您的业务所需的驱动版本,您可以从NVIDIA官方网站下载目标驱动版本。
从NVIDIA YUM官方仓库下载nvidia fabric manager,nvidia fabric manager的版本需和驱动版本一致。
wget https://developer.download.nvidia.cn/compute/cuda/repos/rhel7/x86_64/nvidia-fabric-manager-515.86.01-1.x86_64.rpm
登录对象存储OSS控制台,创建OSS Bucket。具体操作,请参见创建存储空间。
建议OSS Bucket所在地域与目标ACK集群所在地域相同,为ACK节点安装GPU驱动时,可以通过内网OSS Bucket拉取驱动。
上传文件
NVIDIA-Linux-x86_64-515.86.01.run
和nvidia-fabric-manager-515.86.01-1.x86_64.rpm
至目标Bucket的根目录。在目标Bucket页面的左侧导航栏,单击
,单击已上传文件右侧操作列的详情,查看驱动文件的详情。在详情面板,关闭使用 HTTPS开关,取消使用HTTPS的配置。
在目标Bucket详情页,单击左侧导航栏的概览,在页面下方获取内网访问地址。
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列表。
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 。
单击左上角的创建节点池,关于配置项的详细说明,请参见创建和管理节点池。主要配置如下。
在节点标签(Labels)参数栏添加标签,单击
图标。
键
值
ack.aliyun.com/nvidia-driver-oss-endpoint
步骤一第七步中获取的OSS Bucket内网访问地址。
my-nvidia-driver.oss-cn-beijing-internal.aliyuncs.com
ack.aliyun.com/nvidia-driver-runfile
步骤一第一步中下载的NVIDIA驱动的名称。
NVIDIA-Linux-x86_64-515.86.01.run
ack.aliyun.com/nvidia-fabricmanager-rpm
步骤一第二步中下载的nvidia fabric manager的名称。
nvidia-fabric-manager-515.86.01-1.x86_64.rpm
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
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
预期输出:
Mon Mar 24 08:51:55 2025 +-----------------------------------------------------------------------------+ | NVIDIA-SMI xxx.xxx.xx Driver Version: xxx.xxx.xx 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 V100-SXM2... On | 00000000:00:07.0 Off | 0 | | N/A 27C P0 40W / 300W | 0MiB / 16130MiB | 0% Default | +-------------------------------+----------------------+----------------------+ | 1 Tesla V100-SXM2... On | 00000000:00:08.0 Off | 0 | | N/A 27C P0 40W / 300W | 0MiB / 16130MiB | 0% Default | +-------------------------------+----------------------+----------------------+ | 2 Tesla V100-SXM2... On | 00000000:00:09.0 Off | 0 | | N/A 31C P0 39W / 300W | 0MiB / 16130MiB | 0% Default | +-------------------------------+----------------------+----------------------+ | 3 Tesla V100-SXM2... On | 00000000:00:0A.0 Off | 0 | | N/A 27C P0 41W / 300W | 0MiB / 16130MiB | 0% Default | +-------------------------------+----------------------+----------------------+ +-----------------------------------------------------------------------------+ | Processes: GPU Memory | | GPU PID Type Process name Usage | |=============================================================================| | No running processes found | +-----------------------------------------------------------------------------+
查看输出中节点的NVIDIA驱动版本,若与目标版本一致,则表明驱动升级成功。