本文将从 GPU-Operator 概念介绍、安装部署、深度训练测试应用部署，以及在 KubeSphere 使用自定义监控面板对接 GPU 监控，从原理到实践，逐步浅析介绍与实践 GPU-Operator。

GPU-Operator简介

众所周知，Kubernetes 平台通过设备插件框架提供对特殊硬件资源的访问，如 NVIDIA GPU、网卡、Infiniband 适配器和其他设备。然而，使用这些硬件资源配置和管理节点需要配置多个软件组件，如驱动程序、容器运行时或其他依赖库，这是困难的和容易出错的。

NVIDIA GPU Operator 由 Nvidia 公司开源，利用了 Kubernetes 平台的 Operator 控制模式，方便地自动化集成管理 GPU 所需的 NVIDIA 设备组件，有效地解决了上述GPU设备集成的痛点。这些组件包括 NVIDIA 驱动程序(用于启用 CUDA )、用于 GPU 的 Kubernetes 设备插件、NVIDIA Container 运行时、自动节点标签、基于 DCGM 的监控等。

NVIDIA GPU Operator 的不仅实现了设备和组件一体化集成，而且它管理 GPU 节点就像管理 CPU 节点一样方便，无需单独为 GPU 节点提供特殊的操作系统。值得关注的是，它将GPU各组件容器化，提供 GPU 能力，非常适合快速扩展和管理规模 GPU 节点。当然，对于已经为GPU组件构建了特殊操作系统的应用场景来说，显得并不是那么合适了。

GPU-Operator 架构原理

前文提到，NVIDIA GPU Operator 管理 GPU 节点就像管理 CPU 节点一样方便，那么它是如何实现这一能力呢？

我们一起来看看 GPU-Operator 运行时的架构图：

通过图中的描述，我们可以知道， GPU-Operator 是通过实现了 Nvidia 容器运行时，以runC作为输入，在runC中preStart hook中注入了一个名叫nvidia-container-toolkit的脚本，该脚本调用libnvidia-container CLI设置一系列合适的flags，使得容器运行后具有 GPU 能力。

GPU-Operator 安装说明前提条件

在安装 GPU Operator 之前，请配置好安装环境如下：

所有节点不需要预先安装NVIDIA组件(driver,container runtime,device plugin)；所有节点必须配置Docker,cri-o, 或者containerd.对于 docker 来说，可以参考这里；如果使用HWE内核(e.g. kernel 5.x) 的 Ubuntu 18.04 LTS 环境下,需要给nouveau driver添加黑名单，需要更新initramfs；

$ sudo vim /etc/modprobe.d/blacklist.conf # 在尾部添加黑名单blacklist nouveauoptions nouveau modeset=0$ sudo update-initramfs -u$ reboot$ lsmod | grep nouveau # 验证nouveau是否已禁用$ cat /proc/cpuinfo | grep name | cut -f2 -d: | uniq -c  #本文测试时处理器架构代号为Broadwell16 Intel Core Processor (Broadwell)

节点发现(NFD) 需要在每个节点上配置，默认情况会直接安装，如果已经配置，请在Helm chart变量设置nfd.enabled为false, 再安装;如果使用 Kubernetes 1.13和1.14, 需要激活 KubeletPodResources；支持的linux版本

OS Name / Version

Identifier

amd64 / x86_64

ppc64le

arm64 / aarch64

Amazon Linux 1

amzn1

X

Amazon Linux 2

amzn2

X

Amazon Linux 2017.09

amzn2017.09

X

Amazon Linux 2018.03

amzn2018.03

X

Open Suse Leap 15.0

sles15.0

X

Open Suse Leap 15.1

sles15.1

X

Debian Linux 9

debian9

X

Debian Linux 10

debian10

X

Centos 7

centos7

X

X

Centos 8

centos8

X

X

X

RHEL 7.4

rhel7.4

X

X

RHEL 7.5

rhel7.5

X

X

RHEL 7.6

rhel7.6

X

X

RHEL 7.7

rhel7.7

X

X

RHEL 8.0

rhel8.0

X

X

X

RHEL 8.1

rhel8.1

X

X

X

RHEL 8.2

rhel8.2

X

X

X

Ubuntu 16.04

ubuntu16.04

X

X

Ubuntu 18.04

ubuntu18.04

X

X

X

Ubuntu 20.04

ubuntu20.04

X

X

X

支持的容器运行时

OS Name / Version

amd64 / x86_64

ppc64le

arm64 / aarch64

Docker 18.09

X

X

X

Docker 19.03

X

X

X

RHEL/CentOS 8 podman

X

CentOS 8 Docker

X

RHEL/CentOS 7 Docker

X

安装doker环境

可参考 Docker 官方文档

安装NVIDIA Docker

配置 stable 仓库和 GPG key :

$ distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \&& curl -s -L  | sudo apt-key add - \&& curl -s -L  | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

更新软件仓库后安装nvidia-docker2并添加运行时配置：

$ sudo apt-get update$ sudo apt-get install -y nvidia-docker2-----What would you like to do about it ?  Your options are:Y or I  : install the package maintainer's versionN or O  : keep your currently-installed versionD     : show the differences between the versionsZ     : start a shell to examine the situation-----# 初次安装，遇到以上交互式问题可选择N# 如果选择Y会覆盖你的一些默认配置# 选择N后，将以下配置添加到etc/docker/daemon.json{  "runtimes": {      "nvidia": {          "path": "/usr/bin/nvidia-container-runtime",          "runtimeArgs": []      }  }}

重启docker:

$ sudo systemctl restart docker

安装Helm

$ curl -fsSL -o get_helm.sh  \   && chmod 700 get_helm.sh \   && ./get_helm.sh

添加helm仓库

$ helm repo add nvidia  \   && helm repo update

安装 NVIDIA GPU Operatordocker as runtime

$ kubectl create ns gpu-operator-resources$ helm install gpu-operator nvidia/gpu-operator -n gpu-operator-resources --wait

如果需要指定驱动版本，可参考如下：

$ helm install gpu-operator nvidia/gpu-operator -n gpu-operator-resources \--set driver.version="450.80.02"

crio as runtime

helm install gpu-operator nvidia/gpu-operator -n gpu-operator-resources\   --set operator.defaultRuntime=crio

containerd as runtime

helm install gpu-operator nvidia/gpu-operator -n gpu-operator-resources\   --set operator.defaultRuntime=containerd   Furthermore, when setting containerd as the defaultRuntime the following options are also available:toolkit:  env:  - name: CONTAINERD_CONFIG    value: /etc/containerd/config.toml  - name: CONTAINERD_SOCKET    value: /run/containerd/containerd.sock  - name: CONTAINERD_RUNTIME_CLASS    value: nvidia  - name: CONTAINERD_SET_AS_DEFAULT    value: true

由于安装的镜像比较大，所以初次安装过程中可能会出现超时的情形，请检查你的镜像是否在拉取中！可以考虑使用离线安装解决该类问题，参考离线安装的链接。

使用 values.yaml 安装

$ helm install gpu-operator nvidia/gpu-operator -n gpu-operator-resources -f values.yaml

考虑离线安装应用部署检查已部署 operator 服务状态检查 pods 状态

$ kubectl get pods -n gpu-operator-resourcesNAME                                                          READY   STATUS      RESTARTS   AGEgpu-feature-discovery-4gk78                                   1/1     Running     0          35sgpu-operator-858fc55fdb-jv488                                 1/1     Running     0          2m52sgpu-operator-node-feature-discovery-master-7f9ccc4c7b-2sg6r   1/1     Running     0          2m52sgpu-operator-node-feature-discovery-worker-cbkhn              1/1     Running     0          2m52sgpu-operator-node-feature-discovery-worker-m8jcm              1/1     Running     0          2m52snvidia-container-toolkit-daemonset-tfwqt                      1/1     Running     0          2m42snvidia-dcgm-exporter-mqns5                                    1/1     Running     0          38snvidia-device-plugin-daemonset-7npbs                          1/1     Running     0          53snvidia-device-plugin-validation                               0/1     Completed   0          49snvidia-driver-daemonset-hgv6s                                 1/1     Running     0          2m47s

检查节点资源是否处于可分配

$ kubectl describe node worker-gpu-001---Allocatable:  cpu:                15600m  ephemeral-storage:  82435528Ki  hugepages-2Mi:      0  memory:             63649242267  nvidia.com/gpu:     1  #check here  pods:               110---

部署官方文档中的两个实例实例一

$ cat cuda-load-generator.yamlapiVersion: v1kind: Podmetadata:   name: dcgmproftesterspec:   restartPolicy: OnFailure   containers:   - name: dcgmproftester11   image: nvidia/samples:dcgmproftester-2.0.10-cuda11.0-ubuntu18.04   args: ["--no-dcgm-validation", "-t 1004", "-d 120"]   resources:      limits:         nvidia.com/gpu: 1   securityContext:      capabilities:         add: ["SYS_ADMIN"]EOF

实例二

$ curl -LO  cat notebook-example.ymlapiVersion: v1kind: Servicemetadata:  name: tf-notebook  labels:    app: tf-notebookspec:  type: NodePort  ports:  - port: 80    name: http    targetPort: 8888    nodePort: 30001  selector:    app: tf-notebook---apiVersion: v1kind: Podmetadata:  name: tf-notebook  labels:    app: tf-notebookspec:  securityContext:    fsGroup: 0  containers:  - name: tf-notebook    image: tensorflow/tensorflow:latest-gpu-jupyter    resources:      limits:        nvidia.com/gpu: 1    ports:    - containerPort: 8

基于 Jupyter Notebook 应用运行深度学习训练任务部署应用

$ kubectl apply -f cuda-load-generator.yaml pod/dcgmproftester created$ kubectl apply -f notebook-example.yml       service/tf-notebook createdpod/tf-notebook created

查看 GPU 处于已分配状态:

$ kubectl describe node worker-gpu-001---Allocated resources:  (Total limits may be over 100 percent, i.e., overcommitted.)  Resource           Requests     Limits  --------           --------     ------  cpu                1087m (6%)   1680m (10%)  memory             1440Mi (2%)  1510Mi (2%)  ephemeral-storage  0 (0%)       0 (0%)  nvidia.com/gpu     1            1 #check thisEvents:              <none>

当有 GPU 任务发布给平台时，GPU 资源从可分配状态转变为已分配状态，安装任务发布的先后顺序，第二个任务在第一个任务运行结束后开始运行：

$ kubectl get pods --watchNAME             READY   STATUS    RESTARTS   AGEdcgmproftester   1/1     Running   0          76stf-notebook      0/1     Pending   0          58s------NAME             READY   STATUS      RESTARTS   AGEdcgmproftester   0/1     Completed   0          4m22stf-notebook      1/1     Running     0          4m4s

获取应用端口信息：

$ kubectl get svc # get the nodeport of the svc, 30001gpu-operator-1611672791-node-feature-discovery   ClusterIP   10.233.10.222   <none>        8080/TCP       12hkubernetes                                       ClusterIP   10.233.0.1      <none>        443/TCP        12htf-notebook                                      NodePort    10.233.53.116   <none>        80:30001/TCP   7m52s

查看日志，获取登录口令：

$ kubectl logs tf-notebook [I 21:50:23.188 NotebookApp] Writing notebook server cookie secret to /root/.local/share/jupyter/runtime/notebook_cookie_secret[I 21:50:23.390 NotebookApp] Serving notebooks from local directory: /tf[I 21:50:23.391 NotebookApp] The Jupyter Notebook is running at:[I 21:50:23.391 NotebookApp] [I 21:50:23.391 NotebookApp]  or [I 21:50:23.391 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).[C 21:50:23.394 NotebookApp]   To access the notebook, open this file in a browser:         Or copy and paste one of these URLs:         or 

运行深度学习任务

进入jupyter notebook 环境后，尝试进入终端，运行深度学习任务：

进入terminal后拉取tersorflow测试代码并运行：

与此同时，开启另外一个终端运行nvidia-smi查看 GPU 监控使用情况：

利用 KubeSphere 自定义监控功能监控 GPU部署 ServiceMonitor

gpu-operator帮我们提供了nvidia-dcgm-exporter这个exportor, 只需要将它集成到Prometheus的可采集对象中，也就是ServiceMonitor中，我们就能获取GPU监控数据了:

$ kubectl get pods -n gpu-operator-resourcesNAME                                       READY   STATUS      RESTARTS   AGEgpu-feature-discovery-ff4ng                1/1     Running     2          15hnvidia-container-toolkit-daemonset-2vxjz   1/1     Running     0          15hnvidia-dcgm-exporter-pqwfv                 1/1     Running     0          5h27m #herenvidia-device-plugin-daemonset-42n74       1/1     Running     0          5h27mnvidia-device-plugin-validation            0/1     Completed   0          5h27mnvidia-driver-daemonset-dvd9r              1/1     Running     3          15h

可以构建一个busybox查看该exporter暴露的指标:

$ kubectl get svc -n gpu-operator-resourcesNAME                                  TYPE        CLUSTER-IP      EXTERNAL-IP   PORT(S)    AGEgpu-operator-node-feature-discovery   ClusterIP   10.233.54.111   <none>        8080/TCP   56mnvidia-dcgm-exporter                  ClusterIP   10.233.53.196   <none>        9400/TCP   54m$ kubectl exec -it busybox-sleep -- sh$ wget  cat metrics----DCGM_FI_DEV_SM_CLOCK{gpu="0",UUID="GPU-eeff7856-475a-2eb7-6408-48d023d9dd28",device="nvidia0",container="tf-notebook",namespace="default",pod="tf-notebook"} 405DCGM_FI_DEV_MEM_CLOCK{gpu="0",UUID="GPU-eeff7856-475a-2eb7-6408-48d023d9dd28",device="nvidia0",container="tf-notebook",namespace="default",pod="tf-notebook"} 715DCGM_FI_DEV_GPU_TEMP{gpu="0",UUID="GPU-eeff7856-475a-2eb7-6408-48d023d9dd28",device="nvidia0",container="tf-notebook",namespace="default",pod="tf-notebook"} 30----

查看nvidia-dcgm-exporter暴露的svc和ep：

$ kubectl describe svc nvidia-dcgm-exporter -n gpu-operator-resourcesName:                     nvidia-dcgm-exporterNamespace:                gpu-operator-resourcesLabels:                   app=nvidia-dcgm-exporterAnnotations:              prometheus.io/scrape: trueSelector:                 app=nvidia-dcgm-exporterType:                     NodePortIP:                       10.233.28.200Port:                     gpu-metrics  9400/TCPTargetPort:               9400/TCPNodePort:                 gpu-metrics  31129/TCPEndpoints:                10.233.84.54:9400Session Affinity:         NoneExternal Traffic Policy:  ClusterEvents:                   <none>

配置ServiceMonitor定义清单:

$ cat custom/gpu-servicemonitor.yaml apiVersion: monitoring.coreos.com/v1kind: ServiceMonitormetadata:  name: nvidia-dcgm-exporter  namespace: gpu-operator-resources   labels:     app: nvidia-dcgm-exporterspec:  jobLabel: nvidia-gpu  endpoints:  - port: gpu-metrics    interval: 15s  selector:    matchLabels:      app: nvidia-dcgm-exporter  namespaceSelector:    matchNames:    - gpu-operator-resources$ kubectl apply -f custom/gpu-servicemonitor.yaml

检查 GPU 指标是否被采集到（可选）

将servicemonitor提交给kubesphere平台后，通过暴露prometheus-k8s为NodePort，我们可以在Prometheus的UI上验证一下是否采集到的相关指标：

创建 KubeSphere GPU 自定义监控面板KubeSphere 3.0

如果部署的 KubeSphere 版本是KubeSphere 3.0，需要简单地配置以下几个步骤，便可顺利完成可观察性监控。

首先， 登录kubsphere console后，创建一个企业空间名称为ks-monitoring-demo, 名称可按需创建;

其次，需要将ServiceMonitor所在的目标名称空间gpu-operator-resources分配为已存在的企业空间中，以便纳入监控。

最后，进入目标企业空间，在纳管的项目找到gpu-operator-resources, 点击后找到可自定义监控界面, 即可添加自定义监控。

后续版本

后续版本可选择添加集群监控

创建自定义监控

下载dashboard以及配置namespace:

$ curl -LO  cat nvidia-gpu-dcgm-exporter-dashboard.yaml----apiVersion: monitoring.kubesphere.io/v1alpha1kind: Dashboardmetadata:  name: nvidia-dcgm-exporter-dashboard-rev1  namespace: gpu-operator-resources  # check herespec:-----

可以直接命令行apply或者在自定义监控面板中选择编辑模式进行导入：

正确导入后：

在上面创建的jupyter notebook运行深度学习测试任务后，可以明显地观察到相关GPU指标变化：

卸载

$ helm list -n gpu-operator-resourcesNAME            NAMESPACE               REVISION        UPDATED                                 STATUS          CHART                   APP VERSIONgpu-operator    gpu-operator-resources  1               2021-02-20 11:50:56.162559286 +0800 CST deployed        gpu-operator-1.5.2      1.5.2     $ helm uninstall gpu-operator -n gpu-operator-resources

重启无法使用 GPU

关于已部署正常运行的gpu-operator和AI应用的集群，重启GPU主机后会出现没法用上 GPU 的情况，极有可能是因为插件还没加载，应用优先进行了载入，就会导致这种问题。这时，只需要优先保证插件运行正常，然后重新部署应用即可。

GPU-Operator 常见问题GPU-Operator 重启后无法使用

答：关于已部署正常运行的gpu-operator和 AI 应用的集群，重启 GPU 主机后会出现没法用上 GPU 的情况，极有可能是因为插件还没加载，应用优先进行了载入，就会导致这种问题。这时，只需要优先保证插件运行正常，然后重新部署应用即可。

Nvidia k8s-device-plugin 与 GPU-Operator 方案对比？

我之前针对GPU使用的是 和 相结合的方案来监控 GPU，请问这个方案与 GPU-Operator的方案相比，孰优孰劣一些？

答：个人认为 GPU-Operator 更简单易用，其自带 GPU 注入能力不需要构建专用的 OS，并且支持节点发现与可插拔，能够自动化集成管理 GPU 所需的 NVIDIA 设备组件，相对来说还是很省事的。

有没有 KubeSphere 自定义监控的详细使用教程？

答：可以参考 KubeSphere 官方文档来使用自定义监控。

参考资料官方代码仓库GitHub: : 官方文档GPU-Operator 快速入门： 离线安装指南： 自定义监控使用文档：