容器服务 Kubernetes 版 ACK：通过共享GPU调度实现算力分配

使用限制

• 共享GPU调度目前支持仅申请显存和同时申请显存和算力两种任务，这两种任务不能同时存在于一个节点上，即一个节点只运行仅申请显存的任务，或者只运行同时申请显存和算力的任务。

• 为任务申请算力时，有如下限制：

  • 每一张GPU提供的算力按100计量，代表这张卡的100%算力，例如申请20代表使用GPU卡的20%算力。

  • 申请的算力值应为5的倍数，最小为5。如果不为5的倍数，任务将提交失败。

• 目前只有以下地域支持GPU显存算力分配功能。如果您需要使用该功能，请确保集群所在地域在此范围内。

  地域	地域ID
  华北2（北京）	cn-beijing
  华东2（上海）	cn-shanghai
  华东1（杭州）	cn-hangzhou
  华北3（张家口）	cn-zhangjiakou
  华南1（深圳）	cn-shenzhen
  西南1（成都）	cn-chengdu
  华南2（河源）	cn-heyuan
  中国香港	cn-hongkong
  印度尼西亚（雅加达）	ap-southeast-5
  新加坡	ap-southeast-1
  泰国（曼谷）	ap-southeast-7
  美国（弗吉尼亚）	us-east-1
  美国（硅谷）	us-west-1
  日本（东京）	ap-northeast-1
  华东2 金融云	cn-shanghai-finance-1

• 共享GPU调度支持算力分配的调度器于2022年03月01日上线，在此之后创建的集群将使用新版本调度器，但是在此之前已有集群的调度器不会自动升级到新版本，需要您手动进行操作。若您的集群创建时间早于2022年03月01日，请按照如下操作进行处理：

  1. 提交工单申请新版共享GPU调度内测。

  2. 卸载旧版共享GPU组件。

     如果已安装旧版共享GPU组件（仅支持显存共享，Chart版本≤1.2.0），请按照以下步骤进行处理。

     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，选择应用 > Helm。

     3. 在Helm页面，单击ack-ai-installer右侧操作列下方的删除，然后在弹出的删除应用对话框，单击确定。

  3. 安装新版共享GPU组件。具体操作，请参见安装共享GPU调度组件。

步骤一：创建支持算力分配的节点池

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. 在节点池页面右侧，单击创建节点池。

   部分参数配置说明如下，关于配置项的详细说明，请参见节点池配置。

   配置项	说明
   节点池名称	设置节点池名称。本文配置为gpu-core。
   期望节点数	设置节点池初始节点数量。若您不需要创建节点，请填写为0。
   ECS标签	为ECS实例添加标签。
   节点标签	为集群节点添加标签。本文配置如下，关于节点标签的更多信息，请参见ACK调度GPU使用的节点标签说明。 开启节点GPU显存和算力隔离能力：单击，输入第一个节点标签的键为ack.node.gpu.schedule，值为core_mem。 在节点上使用Binpack算法为Pod选择GPU卡：单击，输入第二个节点标签的键为ack.node.gpu.placement，值为binpack。

   重要

   如果您需要将集群中已存在的GPU节点切换为算力隔离模式，请先将该节点从集群中移除，然后重新加入支持算力隔离的节点池。不支持直接使用kubectl label nodes <NODE_NAME> ack.node.gpu.schedule=core_mem命令将该GPU节点切换为算力隔离模式。

步骤二：查看节点池是否开启算力分配功能

kubectl get nodes <NODE_NAME> -o yaml

#省略其他字段。
status:
  #省略其他字段。
  allocatable:
    #节点共有400%的算力，4张GPU卡，每张卡提供100%算力。
    aliyun.com/gpu-core.percentage: "400"
    aliyun.com/gpu-count: "4"
    #节点共有60 GiB显存，4张GPU卡，每张卡提供15 GiB显存。
    aliyun.com/gpu-mem: "60"
  capacity:
    aliyun.com/gpu-core.percentage: "400"
    aliyun.com/gpu-count: "4"
    aliyun.com/gpu-mem: "60"

步骤三：使用算力分配功能

未使用算力分配功能前，一张GPU卡的总显存为15 GiB，Pod可以100%使用该GPU卡的算力。本文以同时申请显存和算力任务为例，申请2 GiB显存、一张GPU卡的30%算力，介绍如何使用GPU显存算力分配功能。

1. 使用以下YAML内容，创建申请GPU显存和算力的任务。

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: cuda-sample
   spec:
     parallelism: 1
     template:
       metadata:
         labels:
           app: cuda-sample
       spec:
         containers:
         - name: cuda-sample
           image:  registry.cn-beijing.aliyuncs.com/ai-samples/gpushare-sample:benchmark-tensorflow-2.2.3
           command:
           - bash
           - run.sh
           - --num_batches=500000000
           - --batch_size=8
           resources:
             limits:
               # 单位为GiB，该Pod总共申请了2 GiB显存。
               aliyun.com/gpu-mem: 2
               #申请一张GPU卡的30%算力。
               aliyun.com/gpu-core.percentage: 30
           workingDir: /root
         restartPolicy: Never

2. 执行以下命令，部署cuda-sample.yaml文件提交cuda-sample任务。

   kubectl apply -f /tmp/cuda-sample.yaml

   说明

   任务所使用的镜像较大，拉取镜像需要一定的时间，请耐心等待。

3. 执行以下命令，查看cuda-sample任务的运行状态。

   kubectl get po -l app=cuda-sample

   预期输出：

   NAME                READY   STATUS    RESTARTS   AGE
   cuda-sample-m****   1/1     Running   0          15s

   预期输出表明，STATUS为Running，即任务部署成功。

4. 执行以下命令，查看显存和算力的使用情况。

   kubectl exec -ti cuda-sample-m**** -- nvidia-smi

   预期输出：

   Thu Dec 16 02:53:22 2021
   +-----------------------------------------------------------------------------+
   | NVIDIA-SMI 450.102.04   Driver Version: 450.102.04   CUDA Version: 11.0     |
   |-------------------------------+----------------------+----------------------+
   | 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 V100-SXM2...  On   | 00000000:00:08.0 Off |                    0 |
   | N/A   33C    P0    56W / 300W |    337MiB /  2154MiB |     30%      Default |
   |                               |                      |                  N/A |
   +-------------------------------+----------------------+----------------------+
   
   +-----------------------------------------------------------------------------+
   | Processes:                                                                  |
   |  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
   |        ID   ID                                                   Usage      |
   |=============================================================================|
   +-----------------------------------------------------------------------------+

   预期输出表明：

   • 显存：未开启算力分配功能前，Pod能够使用的总显存为该GPU卡的总显存，本文为15 GiB（在节点上执行nvidia-smi命令即可查询GPU卡的总显存）。开启算力分配功能后，Pod当前已使用337 MiB，能够使用的总显存为2154 MiB（约为2 GiB），说明显存隔离生效。

   • 算力：未开启算力分配功能前，Pod运行的任务能够100%使用GPU卡（您可以将申请的算力设置为100进行验证）。开启算力分配功能后，Pod已使用GPU卡的30%算力，说明算力隔离生效。

   说明

   如果有n个任务，假设每个任务申请30%算力（n≤3，最多部署3个），n个任务运行在同一张GPU卡上，此时在每个Pod中执行nvidia-smi命令，可以看到算力为n*30%。nvidia-smi命令的查询结果目前仅显示以卡为单位的算力利用率，而不显示以任务为单位的算力利用率。

5. 使用以下命令，查看Pod日志。

   kubectl logs cuda-sample-m**** -f

   预取输出：

   [CUDA Bandwidth Test] - Starting...
   Running on...
   
    Device 0: Tesla V100-SXM2-16GB
    Quick Mode
   
   time: 2021-12-16/02:50:59,count: 0,memSize: 32000000,succeed to copy data from host to gpu
   time: 2021-12-16/02:51:01,count: 1,memSize: 32000000,succeed to copy data from host to gpu
   time: 2021-12-16/02:51:02,count: 2,memSize: 32000000,succeed to copy data from host to gpu
   time: 2021-12-16/02:51:03,count: 3,memSize: 32000000,succeed to copy data from host to gpu

   由预期输出得到，使用算力分配功能后，Pod日志刷新较慢，此时算力被限制在该GPU卡的30%左右。

6. 可选：执行以下命令，删除cuda-sample任务。

   验证完毕后，您可以对任务进行删除操作。

   kubectl delete job cuda-sample