前言
环境：centos7.9、k8s 1.22.17、docker-ce-20.10.9
gpu资源也是服务器中常见的一种资源，gpu即显卡，一般用在人工智能、图文识别、大模型等领域，其中nvidia gpu是nvidia公司生产的nvidia类型的显卡，amd gpu则是adm公司生产的amd类型gpu。企业中服务器最常见的就是英伟达gpu服务器了。
本篇也主要讲解英伟达驱动相关的知识。
nvidia gpu驱动安装
nvidia gpu驱动安装只是涉及物理节点的驱动安装，不涉及k8s，这里简单讲解一下gpu服务器如何安装nvidia驱动。
环境确认、卸载nouveau
#查看服务器是否有gpu[root@gpu ~]# lspci | grep -i nvidia0b:00.0 3D controller: NVIDIA Corporation Device 1eb8 (rev a1)13:00.0 3D controller: NVIDIA Corporation Device 1eb8 (rev a1)#查看服务器是否已经安装有gpu英伟达驱动lsmod | grep -i nvidia#查看gpu型号、gpu驱动版本等,能列出信息说明驱动已经安装成功,没有信息则说明还没安装驱动nvidia-smi#查看是否安装有默认驱动,没有跳过该步骤，有显示内容则说明安装有默认驱动,需要卸载掉,不然会和nvidia冲突,卸载步骤如下lsmod | grep nouveaucentos6：vim /etc/modprobe.d/blacklist.confcentos7：vim /usr/lib/modprobe.d/dist-blacklist.conf #centos 7直接使用命令修改ls /usr/lib/modprobe.d/dist-blacklist.conf && echo $?sed -i -e '/blacklist viafb/ablacklist nouveau' -e '/blacklist viafb/aoptions nouveau modeset=0' /usr/lib/modprobe.d/dist-blacklist.conf && echo $?echo "检查是否修改成功：";grep 'nouveau' /usr/lib/modprobe.d/dist-blacklist.conf#或者手动编辑文件亦可,在blacklist viafb等列的文件末尾添加下面两句blacklist nouveauoptions nouveau modeset=0#备份原来的镜像,重新生成镜像文件,可以临时禁用,重启,再次确认是否已经禁用/卸载mv /boot/initramfs-$(uname -r).img /boot/initramfs-$(uname -r)-nouveau.img.bakdracut /boot/initramfs-$(uname -r).img $(uname -r)modprobe -r nouveaurebootlsmod | grep nouveau确认当前英伟达显卡的型号
lspci | grep -i nvidia#复制下面的1eb80b:00.0 3D controller: NVIDIA Corporation Device 1eb8 (rev a1)13:00.0 3D controller: NVIDIA Corporation Device 1eb8 (rev a1)打开网站查询：https://admin.pci-ids.ucw.cz/read/PC/10de拖到底部的查询框输出1eb8,点击查询即可,输出显示类似的如下信息即可得知gpu型号是Tesla T4Name: TU104GL [Tesla T4]DiscussionName: TU104GL [Tesla T4]T4CFantasy下载nvidia驱动
英伟达驱动官网:https://www.nvidia.cn/Download/index.aspx?lang=cn在下拉列表中进行选择,针对NVIDIA产品确定合适的驱动,这里我就这样选择:产品类型:Data Center / Tesla产品系列:T-Series产品家族:Tesla T4操作系统:Linux 64-bitCUDA Toolkit:11.4语言:Chinese (Simplified)选择好之后点击搜索,显示驱动的版本是:470.199.02,然后点击下载即可,在产品支持列表中可以看到,我们选择的这个470.199.02版本驱动其实还可以支持很多版本的显卡,如下:A-Series:NVIDIA A800, NVIDIA A100, NVIDIA A40, NVIDIA A30, NVIDIA A16, NVIDIA A10, NVIDIA A2RTX-Series:RTX 8000, RTX 6000, NVIDIA RTX A6000, NVIDIA RTX A5000, NVIDIA RTX A4000, NVIDIA T1000, NVIDIA T600, NVIDIA T400HGX-Series:HGX A800, HGX A100T-Series:Tesla T4V-Series:Tesla V100P-Series:Tesla P100, Tesla P40, Tesla P6, Tesla P4K-Series:Tesla K80, Tesla K520M-Class:M60, M40 24GB, M40, M6, M4所以,基本上470.199.02这个版本的驱动就可以支持Tesla T4、NVIDIA A800、NVIDIA A100、Tesla V100、Tesla P4等常见的显卡.注意:选择不同的CUDA下载的驱动包会不同,比如CUDA选择的是11.4,搜索结果显示的是驱动包是470.199.02如果CUDA选择的是11.6,搜索结果显示的驱动包是510.108.03.所以这个需要根据业务上支持的cuda版本来选择下载对应的显卡驱动和cuda.nvidia gpu驱动安装
#将下载的gpu驱动文件上传到服务器安装即可yum install gcc make -y#直接安装即可,视情况加参数chmod a+x NVIDIA-Linux-x86_64-470.199.02.run./NVIDIA-Linux-x86_64-470.199.02.rungpu资源的使用限制
在k8s中，gpu资源的名称叫做nvidia/gpu或者amd/gpu，其中是nvidaia公司的生产的nvidaia类型的gpu，后者是amd公司生产的amd类型gpu。
注意，目前对gpu的使用配置有如下限制：
1、gpu资源只能在limits字段设置，不可以仅指定 requests 而不指定 limits，可以同时指定 limits 和 requests，不过这两个值必须相等，
2、可以指定 gpu 的 limits 而不指定其 requests，则pod默认将requests值等价于limits 值；
3、 pod中的容器之间是不共享 gpu 的，gpu 也不可以超量分配（注：cpu可以超量使用）；
4、每个容器可以请求一个或者多个 gpu，但是必须是整数，用小数值来请求部分 gpu 是不允许的。
安装nvidia-docker（不推荐）
nvidia-docker是一个工具，用于在gpu启用的Linux系统上运行Docker容器。它提供了一个命令行接口，使得在gpu上运行深度学习和机器学习任务的容器变得更为方便。通过使用nvidia-docker，可以轻松地配置和管理gpu容器环境，而无需手动安装和配置各种依赖项。
nvidia-docker并不会与已经安装好的Docker冲突。nvidia-docker是一个额外的工具，用于在Docker中更方便地使用gpu，它与Docker共存并为其提供额外的功能。在安装过程中，nvidia-docker会检测系统是否安装了Docker，并会自动地与Docker进行集成，以提供对gpu容器的支持。因此，安装nvidia-docker后，可以继续使用已经安装好的Docker工具，并能够在Docker中更方便地使用gpu。
nvidia-docker属于旧一代的工具，适用于docker19.3以下版本，目前，官方推荐使用nvidia-container-toolkit，这是github最新的支持方案，nvidia docker2已被nvidia container toolkits取代，所以更推荐使用nvidia container toolkits。
#以下仅显示如何安装nvidia-docker2，建议使用nvidia container toolkits#复制一份原始的docker配置文件,nvidia-docker2安装后会覆盖原始的docker配置文件cp /etc/docker/daemon.json /etc/docker/daemon.json.bak#下载仓库wget https://nvidia.github.io/nvidia-docker/centos7/x86_64/nvidia-docker.repo && mv nvidia-docker.repo /etc/yum.repos.d/或者 distribution=$(. /etc/os-release;echo $ID$VERSION_ID)curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.repo | \ sudo tee /etc/yum.repos.d/nvidia-docker.repo#安装nvidia-docker#安装的时候发现如下报错,可能是镜像仓库不存在的问题,但是更新缓存之后又正常下载gpgkey,可以正常安装#报错：https://nvidia.github.io/libnvidia-container/centos7/x86_64/repodata/repomd.xml: [Errno 14] HTTPS Error 404 - Not Foundyum makecacheyum search --showduplicates nvidia-dockeryum install -y nvidia-docker2#安装后发现docker配置文件被覆盖了,所以手动修改还原[root@gpu ~]# cd /etc/docker/-rw-r--r-- 1 root root 136 Mar 31 2023 daemon.json-rw-r--r-- 1 root root 119 Oct 11 23:28 daemon.json.rpmorig[root@gpu docker]# cat daemon.json#这个是nvidia-docker2后自动创建的{ "runtimes": { "nvidia": { "path": "nvidia-container-runtime", "runtimeArgs": [] } }}[root@gpu docker]# cat daemon.json.rpmorig #原始的docker配置文件{ "registry-mirrors": ["https://b9pmyelo.mirror.aliyuncs.com"], "exec-opts": ["native.cgroupdriver=systemd"]}# 最终的docker配置文件[root@gpu docker]# cat daemon.json{ "registry-mirrors": ["https://b9pmyelo.mirror.aliyuncs.com"], "exec-opts": ["native.cgroupdriver=systemd"], "default-runtime": "nvidia",#新加一行,指定docker的默认运行时 "runtimes": { "nvidia": { "path": "nvidia-container-runtime", "runtimeArgs": [] } }}#注：docker需要运行时为nvidia才能使用gpu,故设置默认运行时为nvidia#重启docker[root@gpu docker]# systemctl restart docker#查看docker默认运行时docker info | grep -i 'Default Runtime'#验证,能正常显示gpu显卡信息即说明成功docker run --rm --runtime=nvidia nvidia/cuda:9.0-base nvidia-smi安装nvidia-container-toolkit（推荐）
#复制一份docker配置文件,以防被覆盖cp /etc/docker/daemon.json /etc/docker/daemon.json.bak#根据官网步骤安装nvidia-container-toolkithttps://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installing-with-yum-or-dnfConfigure the repository:#下载仓库curl -s -L https://nvidia.github.io/libnvidia-container/stable/rpm/nvidia-container-toolkit.repo | \ sudo tee /etc/yum.repos.d/nvidia-container-toolkit.repo#安装NVIDIA Container Toolkityum search --showduplicates nvidia-container-toolkityum install -y nvidia-container-toolkit#配置容器运行时#nvidia-ctk命令将会修改/etc/docker/daemon.json文件以便Docker可以使用nvidia容器运行时nvidia-ctk runtime configure --runtime=docker#实际上,上面nvidia-ctk命令是往/etc/docker/daemon.json文件追加了如下参数 "runtimes": { "nvidia": { "args": [], "path": "nvidia-container-runtime" } }#重启dockerssystemctl restart docker#测试容器中使用gpu#使用下面的任意一条命令运行一个简单的容器测试,可以正常显卡的信息则说明配置成功#--gpus N 表示分配多少gpu显卡到容器,all表示全部gpu显卡#--runtime指定运行时为nvidia,要使用nvidia运行时才能正常使用gpu,当前默认运行时是runcdocker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smidocker run --rm --runtime=nvidia nvidia/cuda:9.0-base nvidia-smi+-----------------------------------------------------------------------------+| NVIDIA-SMI 470.199.02 Driver Version: 470.199.02 CUDA Version: 11.4 ||-------------------------------+----------------------+----------------------+| gpu Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | gpu-Util Compute M. || | | MIG M. ||===============================+======================+======================|| 0 Tesla T4 Off | 00000000:0B:00.0 Off | 0 || N/A 34C P0 25W / 70W | 0MiB / 15109MiB | 0% Default || | | N/A |+-------------------------------+----------------------+----------------------+| 1 Tesla T4 Off | 00000000:13:00.0 Off | 0 || N/A 35C P0 26W / 70W | 0MiB / 15109MiB | 0% Default || | | N/A |+-------------------------------+----------------------+----------------------+#修改docker默认运行时#docker要使用nvidia运行时才能正常使用gpu,以上我们使用docker run命令临时设置启动容器的运行时,但在k8s中,kubelet调用docker,所以要将docker默认运行时设置为nvidia.#查看当前docker默认运行时docker info | grep -i 'Default Runtime' Default Runtime: runc#修改docker默认运行时vim /etc/docker/daemon.json { "exec-opts": [ "native.cgroupdriver=systemd" ], "default-runtime": "nvidia",#设置默认运行时 "runtimes": { "nvidia": { "args": [], "path": "nvidia-container-runtime" } }}#重启docker并确认默认运行时生效 systemctl restart dockerdocker info | grep -i 'Default Runtime'k8s安装nvidia-device-plugin插件
#查看节点资源情况#这说明k8s节点没有识别到gpu资源,即使当前节点有gpu资源kubectl describe nodes gpu Capacity: cpu: 40 ephemeral-storage: 51175Mi hugepages-1Gi: 0 hugepages-2Mi: 0 memory: 16417696Ki pods: 110#k8s中要识别gpu资源，需要安装nvidia-device-plugin插件,注册分配gpu主要由device-plugin插件完成#官网:https://github.com/NVIDIA/k8s-device-pluginwget https://raw.githubusercontent.com/NVIDIA/k8s-device-plugin/v0.14.1/nvidia-device-plugin.yml#vim nvidia-device-plugin.yml #该文件存在hostpath的卷,确认kubelet的安装路径正确kubectl apply -f nvidia-device-plugin.ymlkubectl get pod -n kube-system | grep nvidia-device-plugin#再次查看k8s的gpu节点资源情况就可以显示gpu资源了kubectl describe nodes gpu...........Capacity: cpu: 40 ephemeral-storage: 51175Mi hugepages-1Gi: 0 hugepages-2Mi: 0 memory: 16417696Ki nvidia.com/gpu: 2#2个gpu显卡 pods: 110pod中使用gpu
#为gpu节点打标签kubectl label node gpu gpu-node=true#创建pod测试cat >>gpu-deploy.yaml <<'EOF'apiVersion: apps/v1kind: Deploymentmetadata: name: gpu-deploymentspec: replicas: 1 selector: matchLabels: app: gpu template: metadata: labels: app: gpu spec: containers: - name: gpu-container image: nvidia/cuda:9.0-base command: ["sleep"] args: ["100000"] resources: limits: nvidia.com/gpu: 1 nodeSelector: gpu-node: "true"EOFkubectl apply -f gpu-deploy.yaml#pod中正常显示gpu显卡信息,说明已经可以正常使用gpu资源了kubectl exec -it $(kubectl get pod | grep gpu-deployment | awk '{print $1}') -- nvidia-smi +-----------------------------------------------------------------------------+| NVIDIA-SMI 470.199.02 Driver Version: 470.199.02 CUDA Version: 11.4 ||-------------------------------+----------------------+----------------------+| gpu Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | gpu-Util Compute M. || | | MIG M. ||===============================+======================+======================|| 0 Tesla T4 Off | 00000000:0B:00.0 Off | 0 || N/A 27C P8 8W / 70W | 0MiB / 15109MiB | 0% Default || | | N/A |+-------------------------------+----------------------+----------------------+.........k8s集群gpu虚拟化
#前面我们说过，分配的gpu资源必须是整数，如下，gpu-deployment中的资源gpu限制设置为0.5resources: limits: nvidia.com/gpu: "0.5"报错:# deployments.apps "gpu-deployment" was not valid:# * spec.template.spec.containers[0].resources.limits[nvidia.com/gpu]: Invalid value: resource.Quantity{i:resource.int64Amount{value:5, scale:-1}, d:resource.infDecAmount{Dec:(*inf.Dec)(nil)}, s:"", Format:"DecimalSI"}: must be an integer#在实际使用场景中,我们需要将gpu虚拟化以实现更小粒度的资源分配#开源的虚拟化gpu解决方案https://github.com/AliyunContainerService/gpushare-scheduler-extender#1、部署gpu扩展器kubectl create -f https://raw.githubusercontent.com/AliyunContainerService/gpushare-scheduler-extender/master/config/gpushare-schd-extender.yaml#2、修改调度器scheduler,不同的k8s版本使用的配置文件不相同,选择自己的k8s版本来部署#2.1、适用于Kubernetes v1.23之前的版本cd /etc/kubernetescurl -O https://raw.githubusercontent.com/AliyunContainerService/gpushare-scheduler-extender/master/config/scheduler-policy-config.json#复制一份备份cp /etc/kubernetes/manifests/kube-scheduler.yaml /etc/kubernetes/kube-scheduler.yaml#添加下面的command参数和挂载卷、挂载点参数vim /etc/kubernetes/manifests/kube-scheduler.yaml- --policy-config-file=/etc/kubernetes/scheduler-policy-config.json- mountPath: /etc/kubernetes/scheduler-policy-config.json name: scheduler-policy-config readOnly: true- hostPath: path: /etc/kubernetes/scheduler-policy-config.json type: FileOrCreate name: scheduler-policy-config#2.2、适用于Kubernetes v1.23+的版本（含v1.23）kubectl create -f https://raw.githubusercontent.com/AliyunContainerService/gpushare-scheduler-extender/master/config/gpushare-schd-extender.yamlcd /etc/kubernetescurl -O https://raw.githubusercontent.com/AliyunContainerService/gpushare-scheduler-extender/master/config/scheduler-policy-config.yaml#复制一份备份cp /etc/kubernetes/manifests/kube-scheduler.yaml /etc/kubernetes/kube-scheduler.yaml#添加下面的command参数和挂载卷、挂载点参数vim /etc/kubernetes/manifests/kube-scheduler.yaml- --config=/etc/kubernetes/scheduler-policy-config.yaml- mountPath: /etc/kubernetes/scheduler-policy-config.yaml name: scheduler-policy-config readOnly: true- hostPath: path: /etc/kubernetes/scheduler-policy-config.yaml type: FileOrCreate name: scheduler-policy-config#3、部署gpu device-plugin#如果之前部署过nvidia-device-plugin,请卸载,可使用kubectl delete ds -n kube-system nvidia-device-plugin-daemonset删除#为gpu节点打gpushare=true标签,因为下面安装的ds定义了节点标签选择器kubectl label node <target_node> gpushare=truewget https://raw.githubusercontent.com/AliyunContainerService/gpushare-device-plugin/master/device-plugin-rbac.yamlkubectl create -f device-plugin-rbac.yaml# 默认情况下,GPU显存以GiB为单位,若需要使用MiB为单位,需要在这个文件中,将--memory-unit=GiB修改为--memory-unit=MiBwget https://raw.githubusercontent.com/AliyunContainerService/gpushare-device-plugin/master/device-plugin-ds.yamlvim device-plugin-ds.yaml#将--memory-unit=GiB修改为--memory-unit=MiBkubectl create -f device-plugin-ds.yaml#4、安装kubectl扩展#安装kubectlcurl -LO https://storage.googleapis.com/kubernetes-release/release/v1.12.1/bin/linux/amd64/kubectlchmod +x ./kubectlsudo mv ./kubectl /usr/bin/kubectl#安装kubectl扩展cd /usr/bin/wget https://github.com/AliyunContainerService/gpushare-device-plugin/releases/download/v0.3.0/kubectl-inspect-gpusharechmod u+x /usr/bin/kubectl-inspect-gpushare#查看gpu资源kubectl describe nodes master1 | grep -i -A10 'Capacity'Capacity: aliyun.com/gpu-count: 2#gpu资源 aliyun.com/gpu-mem: 30218#gpu资源,30218MiB,刚好是2张卡15109MiB相加之和#创建pod,可以正常创建cat >gpu-deploy.yaml <<'EOF'apiVersion: apps/v1kind: Deploymentmetadata: name: gpu-deploymentspec: replicas: 1 selector: matchLabels: app: gpu template: metadata: labels: app: gpu spec: containers: - name: gpu-container image: nvidia/cuda:9.0-base command: ["sleep"] args: ["100000"] resources: limits: aliyun.com/gpu-mem: 14 nodeSelector: gpu-node: "true"EOF#使用kubectl inspect gpushare命令查看gpu使用资源情况[root@master1 data]# kubectl inspect gpushare或kubectl inspect gpushare -dNAME IPADDRESS GPU0(Allocated/Total) GPU1(Allocated/Total) GPU Memory(MiB)master1 192.168.110.1 0/15109 0/15109 0/30218------------------------------------------------------------------Allocated/Total GPU Memory In Cluster:0/30218 (0%) [root@master1 data]# #存在的问题#ds中设置了--memory-unit=MiB参数,那pod中的aliyun.com/gpu-mem的单位是什么,是GiB还是MiBaliyun.com/gpu-mem: 20#如果是G，设置为20,应该是满足资源的,如果是Mib,设置为15109MiB也应该是满足的呀,设置为14000MiB也应该是满足的#但是就是一直报错：Warning FailedScheduling 3m44s default-scheduler 0/1 nodes are available: 1 Insufficient GPU Memory in one device.#为什么这里显示one device