通过节点池升级已有节点的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。

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CUDA库版本的兼容性），您需要自行验证，ACK不保证两者之间的兼容性。

• 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

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。

步骤二：移除节点

1. 登录容器服务管理控制台，在左侧导航栏选择集群。

2. 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。

3. 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

本小节以418.181.07驱动版本为例介绍整个操作流程。

1. 登录容器服务管理控制台，在左侧导航栏选择集群。

2. 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。

3. 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ACK专有集群。

   配置项	描述

   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
   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。

   1. 单击显示高级选项。

   2. 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。

   3. 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。

1. 在OSS管理控制台，创建Bucket。具体操作，请参见创建存储空间。

2. 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。

3. 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。

4. 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。

5. 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

1. 登录容器服务管理控制台，在左侧导航栏选择集群。

2. 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。

3. 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ACK专有集群。

   配置项	描述

   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
   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。

   1. 单击显示高级选项。

   2. 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。

   3. 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

1. 登录容器服务管理控制台，在左侧导航栏选择集群。

2. 在目标集群的操作列，选择更多 > 通过CloudShell管理集群。

3. 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。

4. 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：

   Sun Feb  7 04:09:01 2021       
   +-----------------------------------------------------------------------------+
   | NVIDIA-SMI 418.181.07   Driver Version: 418.181.07   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                                                 |
   +-----------------------------------------------------------------------------+

   预期输出表明，驱动版本为418.181.07，即节点池升级节点NVIDIA驱动成功。

相关文档

通过指定版本号自定义节点GPU驱动版本