容器服务 Kubernetes 版 ACK：GPU FAQ

阿里云容器服务是否支持GPU虚拟化型（vGPU）实例？

vGPU实例需要购买NVIDIA官方提供的GRID License才能正常工作，而阿里云并不提供License服务器。因此即使您创建了GPU虚拟化集群，vGPU实例也无法使用。因此，阿里云容器服务已不再支持在控制台选择vGPU实例作为集群节点。

不支持的虚拟化GPU实例包括以ecs.vgn5i、ecs.vgn6i、ecs.vgn7i、ecs.sgn7i为前缀的ECS实例。如果您的业务对vGPU实例有强依赖，您可以向NVIDIA购买GRID License，自建License服务器。

如果您的License服务器已经搭建完成，请参考以下步骤将vGPU实例加入ACK集群。

将vGPU实例加入ACK集群

1. 请前往权益配额，申请开放自定义系统镜像功能。

2. 基于CentOS 7.X和Alibaba Cloud Linux 2制作自定义系统镜像，镜像中需要安装NVIDIA GRID驱动并且正确配置GRID License。具体操作，请参见使用实例创建自定义镜像和在GPU虚拟化型实例中安装GRID驱动（Linux）。

3. 创建节点池。具体操作，请参见创建节点池。

4. 将vGPU实例加入到步骤3创建的节点池中，具体操作，请参见添加已有节点。

后续相关步骤：更新ACK集群中vGPU实例的NVIDIA驱动License

更新ACK集群中vGPU实例的NVIDIA驱动License，具体操作，请参见更新ACK集群中GPU虚拟化型（vGPU）实例的NVIDIA驱动License。

如何在已有集群的GPU节点上手动升级Kernel？

1. 获取集群KubeConfig并通过kubectl工具连接集群。

2. 将GPU节点设置为不可调度（本例以节点 cn-beijing.i-2ze19qyi8votgjz12345为例）。

   kubectl cordon cn-beijing.i-2ze19qyi8votgjz12345
   
   node/cn-beijing.i-2ze19qyi8votgjz12345 already cordoned

3. 将要升级驱动的GPU节点进行排水。

   kubectl drain cn-beijing.i-2ze19qyi8votgjz12345 --grace-period=120 --ignore-daemonsets=true
   
   node/cn-beijing.i-2ze19qyi8votgjz12345 cordoned
   WARNING: Ignoring DaemonSet-managed pods: flexvolume-9scb4, kube-flannel-ds-r2qmh, kube-proxy-worker-l62sf, logtail-ds-f9vbg
   pod/nginx-ingress-controller-78d847fb96-5fkkw evicted

4. 卸载当前的NVIDIA驱动。

   说明

   本步骤中卸载的是版本为384.111的驱动包，如果您的驱动版本不是384.111，则需要在NVIDIA官网下载对应的驱动安装包，并将本步骤中的384.111替换成您实际的版本。

   1. 登录到该GPU节点，通过nvidia-smi查看驱动版本。

      sudo nvidia-smi -a | grep 'Driver Version'
      Driver Version                      : 384.111

   2. 下载NVIDIA驱动安装包。

      sudo cd /tmp/
      sudo curl -O https://cn.download.nvidia.cn/tesla/384.111/NVIDIA-Linux-x86_64-384.111.run

      说明

      需要在安装包中卸载NVIDIA。

   3. 卸载当前NVIDIA驱动。

      sudo chmod u+x NVIDIA-Linux-x86_64-384.111.run
      sudo sh./NVIDIA-Linux-x86_64-384.111.run --uninstall -a -s -q

5. 升级Kernel。

6. 重启GPU机器。

   sudo reboot

7. 重新登录GPU节点，安装对应的Kernel Devel。

   sudo yum install -y kernel-devel-$(uname -r)

8. 请到NVIDIA官网下载和安装您需要的NVIDIA驱动。本文以410.79为例。

   sudo cd /tmp/
   sudo curl -O https://cn.download.nvidia.cn/tesla/410.79/NVIDIA-Linux-x86_64-410.79.run
   sudo chmod u+x NVIDIA-Linux-x86_64-410.79.run
   sudo sh ./NVIDIA-Linux-x86_64-410.79.run -a -s -q
   
   # warm up GPU
   sudo nvidia-smi -pm 1 || true
   sudo nvidia-smi -acp 0 || true
   sudo nvidia-smi --auto-boost-default=0 || true
   sudo nvidia-smi --auto-boost-permission=0 || true
   sudo nvidia-modprobe -u -c=0 -m || true

9. 查看 /etc/rc.d/rc.local，确认其中是否包含以下配置，如果没有请手动添加。

   sudo nvidia-smi -pm 1 || true
   sudo nvidia-smi -acp 0 || true
   sudo nvidia-smi --auto-boost-default=0 || true
   sudo nvidia-smi --auto-boost-permission=0 || true
   sudo nvidia-modprobe -u -c=0 -m || true

10. 重启kubelet和Docker。

    sudo service kubelet stop
    sudo service docker restart
    sudo service kubelet start

11. 将这个GPU节点重新设置为可调度。

    kubectl uncordon cn-beijing.i-2ze19qyi8votgjz12345
    
    node/cn-beijing.i-2ze19qyi8votgjz12345 already uncordoned

12. 在GPU节点上的Device Plugin Pod验证版本。

    kubectl exec -n kube-system -t nvidia-device-plugin-cn-beijing.i-2ze19qyi8votgjz12345 nvidia-smi
    Thu Jan 17 00:33:27 2019
    +-----------------------------------------------------------------------------+
    | NVIDIA-SMI 410.79       Driver Version: 410.79       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 P100-PCIE...  On   | 00000000:00:09.0 Off |                    0 |
    | N/A   27C    P0    28W / 250W |      0MiB / 16280MiB |      0%      Default |
    +-------------------------------+----------------------+----------------------+
    
    +-----------------------------------------------------------------------------+
    | Processes:                                                       GPU Memory |
    |  GPU       PID   Type   Process name                             Usage      |
    |=============================================================================|
    |  No running processes found                                                 |
    +-----------------------------------------------------------------------------+

    说明

    如果通过docker ps命令，发现GPU节点没有容器被启动，请参见修复GPU节点容器启动问题。

修复GPU节点容器启动问题

sudo service kubelet stop
Redirecting to /bin/systemctl stop kubelet.service
sudo service docker stop
Redirecting to /bin/systemctl stop docker.service
sudo service docker start
Redirecting to /bin/systemctl start docker.service
sudo service kubelet start
Redirecting to /bin/systemctl start kubelet.service

sudo docker ps
CONTAINER ID        IMAGE               COMMAND             CREATED             STATUS              PORTS               NAMES

sudo docker info | grep -i cgroup
Cgroup Driver: cgroupfs

您可以按照以下操作，修复该问题。

1. 备份/etc/docker/daemon.json，完成后，执行以下命令更新/etc/docker/daemon.json。

   sudo cat >/etc/docker/daemon.json <<-EOF
   {
       "default-runtime": "nvidia",
       "runtimes": {
           "nvidia": {
               "path": "/usr/bin/nvidia-container-runtime",
               "runtimeArgs": []
           }
       },
       "exec-opts": ["native.cgroupdriver=systemd"],
       "log-driver": "json-file",
       "log-opts": {
           "max-size": "100m",
           "max-file": "10"
       },
       "oom-score-adjust": -1000,
       "storage-driver": "overlay2",
       "storage-opts":["overlay2.override_kernel_check=true"],
       "live-restore": true
   }
   EOF

2. 执行以下命令，重启Docker和kubelet。

   sudo service kubelet stop
   Redirecting to /bin/systemctl stop kubelet.service
   sudo service docker restart
   Redirecting to /bin/systemctl restart docker.service
   sudo service kubelet start
   Redirecting to /bin/systemctl start kubelet.service

3. 执行以下命令，确认Docker的Cgroup Driver的类型为systemd。

   sudo docker info | grep -i cgroup
   Cgroup Driver: systemd

裸金属实例节点添加失败怎么办？

由于裸金属实例（ecs.ebmgn7）支持开启MIG。为了避免已有MIG设置对节点部署造成影响，系统会在该类型节点每一次添加进集群时对已有的MIG设置进行重置。由于该类型实例的重置时间不定，可能会出现重置时间过长的情况，从而导致添加节点脚本运行超时添加节点失败。

如果您的该系列节点出现添加失败的情况，请在节点宿主机上执行以下命令：

sudo cat /var/log/ack-deploy.log

command timeout: timeout 300 nvidia-smi --gpu-reset

如果存在则说明，添加节点失败是由MIG的reset引起的。请重新添加该节点，详细信息，请参见添加已有节点。

Alibaba Cloud Linux 3运行GPU容器出现Failed to initialize NVML: Unknown Error的问题怎么办？

问题现象

sudo nvidia-smi

Failed to initialize NVML: Unknown Error

问题原因

在Alibaba Cloud Linux 3上使用systemd时会有如下行为：在执行systemctl daemon-reload、systemctl daemon-reexec等操作时，会更新cgroup相关配置，进而影响NVIDIA GPU设备在容器中的正常使用。更详细的信息，请参见社区相关的issue1671、48。

解决方案

如果出现上述问题，您可以参考如下情况描述和对应方法，结合自身业务要求，尝试解决。

• 情况一：如果您的应用Pod申请GPU资源的方式是通过为容器设置环境变量NVIDIA_VISIBLE_DEVICES=all实现，您可以评估能否给该应用容器添加一个privileged权限，privileged权限的添加可以参考以下示例。

  apiVersion: v1
  kind: Pod
  metadata:
    name: test-gpu-pod
  spec:
    containers:
      - name: test-gpu-pod
        image: centos:7
        command:
        - sh
        - -c
        - sleep 1d
        securityContext: # 为容器添加privilege权限
          privileged: true

• 情况二：对于使用共享GPU调度的应用，目前建议使用Alibaba Cloud Linux 2或CentOS 7。

• 情况三：重建该应用Pod。但在执行该操作前，您需要评估重建该应用Pod是否会对您的业务造成影响，并且该方案并不能保证重建后的Pod不会再出现该问题。

• 情况四：如果以上情况都不适用，可以评估您的业务能否使用其他操作系统，例如：Alibaba Cloud Linux 2或者CentOS 7。

使用GPU时出现XID 119/XID 120错误导致GPU掉卡怎么办？

• 问题现象

  使用GPU时出现GPU掉卡现象，例如在Linux系统上使用GPU时，出现GPU卡启动失败的错误提示。执行sh nvidia-bug-report.sh命令后，在生成的日志中，可以看到XID 119或XID 120错误信息。以XID 119报错页面为例，显示如下：

  

  说明

  关于其他XID Error的更多信息，请参考NVIDIA Common XID Errors。

• 可能原因

  引起上述问题的原因可能是GPU的GSP（GPU System Processor）组件运行状态异常。目前，NVIDIA并未提供某个驱动版本来彻底解决GPU的掉卡问题，因此建议您在使用GPU卡之前先关闭GSP功能。

  说明

  如果您想了解更多关于GSP功能的影响详情，请参见开启或关闭GSP功能的影响。

• 解决方案

  以下根据不同场景说明如何关闭GSP。

  扩容新节点

  您可以新建节点池或编辑已有节点池的配置，在高级配置中为节点池配置标签ack.aliyun.com/disable-nvidia-gsp=true。后续扩容新节点时，ACK会自动在该节点上设置关闭GSP所需的配置。

  操作入口和节点池配置项说明，请参见创建节点池、编辑节点池。

  

  说明

  关闭GSP相关步骤可能会造成扩容节点的时延增加。

  添加已有节点

  1. 您可以新建节点池或编辑待添加节点的节点池的配置，在高级配置中为节点池配置标签ack.aliyun.com/disable-nvidia-gsp=true。已有节点添加到节点池中后，ACK会自动在该节点上设置关闭GSP所需的配置。

     操作入口和节点池配置项说明，请参见创建节点池、编辑节点池。

     

     说明

     关闭GSP相关步骤可能会造成添加节点到集群的时延增加。

  2. 将已有节点添加至节点池。操作入口和相关注意事项，请参见添加已有节点。

  管理集群中已有节点

  您可以通过以下方式在已有节点中关闭GSP。

  通过节点池标签方式关闭GSP

  1. 为节点所在节点池配置标签ack.aliyun.com/disable-nvidia-gsp=true。

     操作入口和节点池配置项说明，请参见编辑节点池。

     

  2. 将该节点移除集群，但不释放ECS。具体操作，请参见移除节点。

  3. 以添加已有节点的方式将已移除的节点重新添加到集群中。操作入口和相关注意事项，请参见添加已有节点。

  登录节点手动执行关闭GSP

  如果您的节点无法通过移除集群再添加到集群方式来关闭GSP，那么您可以登录节点，手动执行关闭GSP的步骤。具体操作，请参见使用GPU时出现XID 119/XID 120错误导致GPU掉卡怎么办？。

  说明

  NVIDIA驱动在510版本引入了GSP。例如，如果您需要登录节点，手动将驱动由470升级至525版本，那么您在470版本时无需关闭GSP，但升级至525版本后，有可能会触发GSP缺陷。请在升级驱动完成后，参见使用GPU时出现XID 119/XID 120错误导致GPU掉卡怎么办？手动执行关闭GSP的步骤。

如何手动隔离集群中的故障卡?

在使用共享GPU调度时，集群中可能会出现坏卡导致任务运行失败的情况。为了防止重启后的任务再次调度到坏卡上导致重复失败，可以手动标记集群中的坏卡，标记后调度器将不再使用该卡，从而达到故障隔离的效果。

您可以通过向集群中提交一个特殊的ConfigMap的方式来标记故障GPU，参考以下示例：

apiVersion: v1
kind: ConfigMap
metadata:
  name: <node-name>-device-status   # 替换 <node-name>为实际的节点名
  namespace: kube-system
data:
  devices: |
    - deviceId: 0          #执行nvidia-smi获取GPU序号
      deviceType: gpu
      healthy: false

ConfigMap的命名空间应当在kube-system中，且命名应当为故障卡所在的节点名加上-device-status后缀。data内容中deviceId与节点上通过nvidia-smi指令返回的GPU序号相同。deviceType为gpu，healthy为false。向集群中提交上述配置后，即可在调度器中隔离对应GPU卡。