前言

环境：<code>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 nvidia

0b: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 nouveau

centos6：vim /etc/modprobe.d/blacklist.conf

centos7：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 nouveau

options 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.bak

dracut /boot/initramfs-$(uname -r).img $(uname -r)

modprobe -r nouveau

reboot

lsmod | grep nouveau

确认当前英伟达显卡的型号

lspci | grep -i nvidia#复制下面的1eb8

0b: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 T4

Name: TU104GL [Tesla T4]

Discussion

Name: 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-bit

CUDA 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 A2

RTX-Series:

RTX 8000, RTX 6000, NVIDIA RTX A6000, NVIDIA RTX A5000, NVIDIA RTX A4000, NVIDIA T1000, NVIDIA T600, NVIDIA T400

HGX-Series:

HGX A800, HGX A100

T-Series:

Tesla T4

V-Series:

Tesla V100

P-Series:

Tesla P100, Tesla P40, Tesla P6, Tesla P4

K-Series:

Tesla K80, Tesla K520

M-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.run

gpu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 Found

yum makecache

yum search --showduplicates nvidia-docker

yum 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-toolkit

https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installing-with-yum-or-dnf

Configure 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 Toolkit

yum search --showduplicates nvidia-container-toolkit

yum 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dockers

systemctl 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runc

docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smi

docker 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 docker

docker 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-plugin

wget 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.yml

kubectl 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: 110

pod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/v1

kind: Deployment

metadata:

name: gpu-deployment

spec:

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"

EOF

kubectl 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0.5

resources:

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/kubernetes

curl -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.yaml

cd /etc/kubernetes

curl -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=true

wget https://raw.githubusercontent.com/AliyunContainerService/gpushare-device-plugin/master/device-plugin-rbac.yaml

kubectl 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=MiB

wget https://raw.githubusercontent.com/AliyunContainerService/gpushare-device-plugin/master/device-plugin-ds.yaml

vim device-plugin-ds.yaml#将--memory-unit=GiB修改为--memory-unit=MiB

kubectl create -f device-plugin-ds.yaml

#4、安装kubectl扩展

#安装kubectl

curl -LO https://storage.googleapis.com/kubernetes-release/release/v1.12.1/bin/linux/amd64/kubectl

chmod +x ./kubectl

sudo 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-gpushare

chmod 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/v1

kind: Deployment

metadata:

name: gpu-deployment

spec:

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 -d

NAME 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MiB

aliyun.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