共用GPU調度支援通過NVIDIA MPS(Multi-Process Service)作為底層GPU隔離模組,實現多個Pod共用同一張GPU卡,並確保各Pod之間的顯存隔離。本文將為您介紹如何啟用NVIDIA MPS隔離功能,並將其與共用GPU調度組件整合使用。
背景資訊
基於MPI實現CPU核並行化,可以平衡CPU密集型任務之間的資源分派,確保多個計算任務能夠同時進行,從而加速整體的計算過程。但當使用CUDA核心加速MPI進程時,每個MPI進程所分配到的工作量可能無法充分利用GPU,導致雖然每個MPI進程運行速度有所提高,但整體GPU的使用效率很低。當單個應用程式發送給GPU的任務量不足,GPU存在閑置資源時,推薦您使用NVIDIA MPS(Multi-Process Service),一種用於在NVIDIA GPU上運行多個CUDA應用程式的技術,適合用於多使用者環境或需要同時運行多個小任務的情境,從而提升GPU利用率和應用程式的輸送量。
MPS允許不同的應用程式在同一個GPU裝置上並發執行,以提高叢集GPU資源的利用率。MPS通過Client-Server架構來實現了這種功能,確保了二進位相容性,即您無需對現有的CUDA應用程式進行重大改造。MPS的構成組件如下。
Control Daemon Process:負責啟動和停止MPS Server,並協調用戶端和MPS Server之間的串連,確保用戶端能夠順利接入到MPS服務中進行GPU資源的請求和使用。
Client Runtime:整合於CUDA驅動程式庫內部。開發人員無需對CUDA應用程式代碼進行重大改造即可使用MPS。當應用程式使用CUDA驅動進行GPU操作時,Client Runtime會自動處理與MPS Server的互動,從而使多個應用程式能夠高效、安全地共用GPU。
Server Process:接收來自不同用戶端的請求,通過高效的調度策略將請求運行在一個GPU裝置上,從而實現了用戶端之間的並發性。
注意事項
在NVIDIA MPS架構下,MPS Client(您提交的使用MPS功能的GPU應用)需要跟MPS Control Daemon保持互動。一旦MPS Control Daemon重啟,這些MPS Client將錯誤退出。
在本樣本中,MPS Control Daemon服務以容器化的方式運行,以DaemonSet的形式在每個GPU節點部署一個MPS Control Daemon Pod,對於MPS Control Daemon Pod說明如下。
MPS Control Daemon Pod不能隨意刪除或重啟。刪除MPS Control Daemon Pod將會導致節點的GPU應用不可用。您可以通過命令
kubectl get po -l app.aliyun.com/name=mps-control-daemon -A
查詢叢集中MPS Control Daemon Pod狀態。容器中運行MPS Control Daemon時,容器需要具有
privileged
、hostIPC
、hostPID
的許可權。這可能帶來一些潛在風險,請謹慎評估後再決定是否使用該方案。MPS Control Daemon Pod使用
priorityClassName: system-node-critical
來保證其優先順序,以避免節點資源不足時MPS Control Daemon Pod會被終止,繼而導致業務程式無法使用。如果在部署MPS Control Daemon組件的過程中遇到節點資源不足的情況,MPS Control Daemon可能會搶佔其他優先順序較低的業務Pod,導致這些業務Pod被驅逐。請在部署組件前,確保節點CPU、記憶體等資源充足。
針對納入K8s叢集管理的GPU節點,為業務應用申請和使用GPU資源時,請關注以下注意事項。
請勿直接在節點上運行GPU應用程式。
請勿通過
docker
、podman
、nerdctl
等工具命令建立容器並為容器申請GPU資源。例如,執行docker run --gpus all
或docker run -e NVIDIA_VISIBLE_DEVICES=all
並運行GPU程式。請勿在Pod YAML的
env
中直接添加環境變數NVIDIA_VISIBLE_DEVICES=all
或NVIDIA_VISIBLE_DEVICES=<GPU ID>
等,通過容器的環境變數NVIDIA_VISIBLE_DEVICES
直接為Pod申請GPU資源,並運行GPU程式。在Pod YAML中未設定環境變數
NVIDIA_VISIBLE_DEVICES
,製作Pod所使用的鏡像時,請勿將環境變數預設配置為NVIDIA_VISIBLE_DEVICES=all
,並運行GPU程式。請勿在Pod的
securityContext
中配置privileged: true
,並運行GPU程式。
通過以上非標方式為業務應用申請的GPU資源,將存在如下安全隱患。
通過以上方式為業務應用申請的GPU資源,並未在調度器的裝置資源賬本中統計,有可能造成節點GPU資源的分配情況與調度器裝置資源賬本中記錄的值不一致。調度器仍然會調度某些申請GPU資源的Pod到這個節點上,導致使用者業務因為在同一張GPU卡上出現資源爭搶(比如GPU顯存申請)而運行失敗的情況。
非標操作可能引發其他未知問題,例如NVIDIA社區的已知報錯。
前提條件
操作步驟
步驟一:安裝MPS Control Daemon組件
登入Container Service管理主控台,在左側導覽列選擇 。
進入應用市場介面,在搜尋方塊輸入ack-mps-control,然後單擊搜尋到的組件,進入其安裝介面。
在ack-mps-control安裝介面,單擊一鍵部署,選擇需要部署組件的叢集,然後單擊下一步。
在建立頁面,選擇對應Chart版本,然後單擊確定完成安裝。
重要卸載和升級MPS Control Daemon組件ack-mps-control都會影響節點上已經啟動並執行GPU應用,導致GPU應用錯誤退出。請在業務低峰期執行這些操作。
步驟二:安裝共用GPU組件
登入Container Service管理主控台,在左側導覽列選擇叢集。
在叢集列表頁面,單擊目的地組群名稱,然後在左側導覽列,選擇 。
在雲原生AI套件頁面,單擊一鍵部署。
在一鍵部署雲原生AI套件頁面,選中調度策略擴充(批量任務調度、GPU共用、GPU拓撲感知)。
在雲原生AI套件頁面最下方,單擊部署雲原生AI套件。
組件安裝成功後,在雲原生AI套件頁面的組件列表中能看到已安裝的共用GPU組件ack-ai-installer。
步驟三:開啟GPU共用調度能力和顯存隔離能力
在叢集列表頁面,單擊目的地組群名稱,然後在左側導覽列,選擇 。
在節點池頁面,單擊建立節點池。
在建立節點池頁面,設定建立節點池的配置項,然後單擊確認配置。
以下為重要配置項的說明,其餘配置項的配置方法,請參見建立節點池。
配置項
說明
期望節點數
設定節點池初始節點數量。如無需建立節點,可以填寫為0。
節點標籤
單擊節點標籤的,設定鍵為ack.node.gpu.schedule,值為mps。
重要每個GPU節點只有打上標籤
ack.node.gpu.schedule=mps
後,GPU節點上才會部署MPS Control Daemon Pod,如果您的叢集中部署了共用GPU調度組件,當節點打上標籤ack.node.gpu.schedule=mps
後,該節點同時會開啟共用GPU調度能力和MPS隔離能力。添加共用GPU調度標籤後,請勿通過
kubectl label nodes
命令切換節點GPU調度屬性標籤值或使用控制台節點頁面的標籤管理功能更改節點標籤,以避免引發潛在的問題,請參見使用kubectl label nodes或通過控制台節點標籤管理功能切換標籤值存在的問題。推薦您基於節點池劃分GPU資源調度能力。
步驟四:安裝共用GPU查詢工具
下載kubectl-inspect-cgpu。
如果您使用的是Linux系統,您可以通過以下命令下載kubectl-inspect-cgpu。
wget http://aliacs-k8s-cn-beijing.oss-cn-beijing.aliyuncs.com/gpushare/kubectl-inspect-cgpu-linux -O /usr/local/bin/kubectl-inspect-cgpu
如果您使用的是macOS系統,您可以通過以下命令下載kubectl-inspect-cgpu。
wget http://aliacs-k8s-cn-beijing.oss-cn-beijing.aliyuncs.com/gpushare/kubectl-inspect-cgpu-darwin -O /usr/local/bin/kubectl-inspect-cgpu
執行以下命令,為kubectl-inspect-cgpu添加執行許可權。
chmod +x /usr/local/bin/kubectl-inspect-cgpu
執行以下命令,查看叢集GPU使用方式。
kubectl inspect cgpu
預期輸出:
NAME IPADDRESS GPU0(Allocated/Total) GPU Memory(GiB) cn-shanghai.192.168.6.104 192.168.6.104 0/15 0/15 ---------------------------------------------------------------------- Allocated/Total GPU Memory In Cluster: 0/15 (0%)
步驟五:部署樣本應用
使用如下YAML建立一個樣本應用。
apiVersion: batch/v1 kind: Job metadata: name: mps-sample spec: parallelism: 1 template: metadata: labels: app: mps-sample spec: hostIPC: true # 需要設定的選項,否則Pod會啟動失敗。 hostPID: true # 不需要設定此選項,此處設定只是便於看到使用MPS的效果。 containers: - name: mps-sample image: registry.cn-hangzhou.aliyuncs.com/ai-samples/gpushare-sample:tensorflow-1.5 command: - python - tensorflow-sample-code/tfjob/docker/mnist/main.py - --max_steps=100000 - --data_dir=tensorflow-sample-code/data resources: limits: aliyun.com/gpu-mem: 7 # 為該Pod申請7GiB顯存。 workingDir: /root restartPolicy: Never
說明當節點開啟MPS能力後,在該節點上啟動並執行GPU應用Pod需要配置
hostIPC: true
,否則Pod會啟動失敗。等待Pod建立並處於Running狀態,使用如下命令查看MPS是否使用。
kubectl exec -ti mps-sample-xxxxx -- nvidia-smi
預期輸出:
Tue Nov 12 11:09:35 2024 +---------------------------------------------------------------------------------------+ | NVIDIA-SMI 535.161.07 Driver Version: 535.161.07 CUDA Version: 12.2 | |-----------------------------------------+----------------------+----------------------+ | 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 xxxxxxxxxxxxxx On | 00000000:00:07.0 Off | 0 | | N/A 37C P0 56W / 300W | 345MiB / 32768MiB | 0% E. Process | | | | N/A | +-----------------------------------------+----------------------+----------------------+ +---------------------------------------------------------------------------------------+ | Processes: | | GPU GI CI PID Type Process name GPU Memory | | ID ID Usage | |=======================================================================================| | 0 N/A N/A 197792 C nvidia-cuda-mps-server 30MiB | | 0 N/A N/A 387820 M+C python 312MiB | +---------------------------------------------------------------------------------------+
可以看到,
nvidia-smi
命令輸出中,mps-server
已經啟動,在宿主機上的進程號為197792,同時以MPS方式啟動了一個進程號為387820的Python程式,說明MPS是正常啟動並執行。