CCE AI套件（NVIDIA GPU）

插件简介

CCE AI套件（NVIDIA GPU）插件是一款用于启用和管理GPU资源的设备管理插件，支持容器内访问GPU显卡资源，帮助用户在云原生环境中高效运行和运维基于GPU的计算密集型工作负载。通过该插件，Standard/Turbo集群可具备GPU调度、驱动自动化安装、运行时管理及性能指标监控等能力，为GPU工作负载提供完整的生命周期支持。集群中使用GPU节点时必须安装本插件。

nvidia-gpu-device-plugin工作机制

nvidia-gpu-device-plugin是CCE AI套件（NVIDIA GPU）插件的核心组件之一，作为连接容器平台与GPU硬件的桥梁，它能够将物理GPU资源抽象为容器平台可识别、可调度的资源类型，从而解决容器化环境中GPU资源的分配与使用问题。

该组件以DaemonSet方式部署在集群的每个节点上，可让节点上的GPU被kubelet发现并上报至Kubernetes。此后，用户只需在Pod spec中声明所需的GPU资源，即可调用对应节点上的GPU资源。kubelet不主动感知GPU设备，需要依赖nvidia-gpu-device-plugin注册和汇报GPU信息。这个插件运行在每个GPU节点上，并通过gRPC协议与kubelet的Device Plugin Manager进行通信，完成注册流程。其具体工作流程如下：

图1 GPU资源上报与健康

1. 注册请求：nvidia-gpu-device-plugin以客户端的身份向kubelet发起注册请求，主要汇报以下关键信息：
   • 设备名称：即nvidia.com/gpu，用于标识插件所管理的硬件资源类型，便于kubelet识别和调度。
   • Unix Socket：用于组件与kubelet进行本地gRPC通信，确保kubelet能准确调用正确的服务。
   • API版本：标明所使用的Device Plugin API协议版本，以保证双方通信协议兼容。
2. 启动服务：完成注册后，nvidia-gpu-device-plugin会启动一个gRPC服务器，正式对外提供服务，用于接收并响应kubelet发起的请求，包括设备列表查询、健康状态汇报、资源分配等。该gRPC服务监听的地址（Unix Socket路径）及支持的Device Plugin API版本，均在注册阶段已向kubelet上报，确保kubelet能基于注册信息正确建立连接并调用相应接口。
3. 健康监控：当gRPC服务器启动后，kubelet会通过ListAndWatch接口与nvidia-gpu-device-plugin建立一个长连接，用于持续监听设备ID及其健康状态。一旦nvidia-gpu-device-plugin检测到某个设备出现异常，会通过该连接主动上报给kubelet。
4. 信息上报：kubelet会将这些设备信息整合到节点的状态中，并将设备数量等资源数据上报至kube-apiserver。后续调度器（kube-scheduler/volcano）便可基于这些信息进行资源调度决策。
5. 持久化存储：CCE会将节点上报的GPU设备信息（如数量、状态等）存储至Etcd中，实现集群级资源状态的持久化。这一过程确保了GPU资源数据在集群组件故障或重启后不丢失，同时为调度器、控制器等组件提供一致的数据源，保障资源调度与管理的可靠性。

约束与限制

• 下载的驱动必须是后缀为“.run”的文件。
• 仅支持Nvidia Tesla驱动，不支持GRID驱动。
• 安装或重装插件时，需要保证驱动下载链接正确且可正常访问，插件对链接有效性不做额外校验。
• 插件仅提供驱动的下载及安装脚本执行功能，插件的状态仅代表插件本身功能正常，与驱动是否安装成功无关。
• 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），CCE不做保证，请您自行验证。
• 对于已经安装GPU驱动的自定义操作系统镜像，CCE无法保证其提供的GPU驱动与CCE其他GPU组件兼容（例如监控组件等）。
• 如果您使用不在GPU驱动支持列表内的GPU驱动版本，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，继而导致驱动安装失败或者CCE AI套件（NVIDIA GPU）插件异常。对于使用自定义GPU驱动的场景，请您自行验证。

安装插件

1. 登录CCE控制台，单击集群名称进入集群。
2. 在左侧导航栏中选择“插件中心”，在右侧找到CCE AI套件（NVIDIA GPU）插件，单击“安装”。
3. 选择是否“启用dcgm-exporter组件进行DCGM指标观测”，开启后将在GPU节点上同时部署dcgm-exporter组件。
   

   插件版本为2.7.40及以上时，支持部署dcgm-exporter组件。dcgm-exporter组件保持社区能力，暂不支持共享模式和GPU虚拟化。

   启用dcgm-exporter组件后，如果需要将采集的GPU监控数据上报至AOM服务，请参见实现DCGM指标的全面监控。

4. 设置插件支持的“参数配置”。

   表1 CCE AI套件（NVIDIA GPU）插件参数配置

   参数	参数说明
   集群默认驱动	集群下全部GPU节点将使用相同的驱动，请选择合适的GPU驱动版本，或自定义驱动链接地址，填写Nvidia驱动的下载链接。 须知： 如果下载链接为公网地址，如nvidia官网地址（https://us.download.nvidia.com/tesla/470.103.01/NVIDIA-Linux-x86_64-470.103.01.run），各GPU节点均需要绑定EIP。获取驱动链接方法请参考公网地址。 若下载链接为OBS上的链接，无需绑定EIP 。获取驱动链接方法请参考OBS地址。 请确保Nvidia驱动版本与GPU节点适配。配套关系请参见GPU驱动支持列表。 更改驱动版本后，需要重启节点才能生效。 对于Linux 5.x内核系统：Huawei Cloud EulerOS 2.0建议使用470及以上版本驱动；Ubuntu 22.04建议使用515及以上版本驱动。

   

   插件安装完成后，GPU虚拟化和节点池驱动配置请前往“配置中心 > 异构资源配置”页进行设置。

5. 单击“安装”，安装插件的任务即可提交成功。
   

   卸载插件将会导致重新调度的GPU Pod无法正常运行，但已运行的GPU Pod不会受到影响。

验证插件

插件安装完成后，在GPU节点及调度了GPU资源的容器中执行nvidia-smi命令，验证GPU设备及驱动的可用性。

• GPU节点：
  • 插件版本为2.0.0以下时，请执行以下命令：

    cd /opt/cloud/cce/nvidia/bin && ./nvidia-smi

  • 插件版本为2.0.0及以上时，请执行以下命令：

    cd /usr/local/nvidia/bin && ./nvidia-smi

• 容器：
  • 当集群版本在1.27及以下时，请执行以下命令：

    cd /usr/local/nvidia/bin && ./nvidia-smi

  • 当集群版本在1.28及以上时，请执行以下命令：

    cd /usr/bin && ./nvidia-smi

若能正常返回GPU信息，说明设备可用，插件安装成功。

插件管理

插件安装后，支持升级和回滚操作，您可以根据需求进行选择。CCE AI套件（NVIDIA GPU）插件对版本升级或回滚时，需保证GPU节点上没有GPU虚拟化负载。如果在GPU节点存在GPU虚拟化负载时，对插件版本进行升级或回滚操作，则需要对GPU节点的进行排水，具体操作请参见CCE AI套件（NVIDIA GPU）插件版本升级或回滚后，如何对GPU节点进行排水？_云容器引擎 CCE_华为云。

GPU驱动支持列表

• 当前GPU驱动支持列表仅针对1.2.28及以上版本的CCE AI套件（NVIDIA GPU）插件。
• 如果您需要安装最新版本的GPU驱动，请将您的CCE AI套件（NVIDIA GPU）插件升级到最新版本。
• 对于已结束生命周期（EOL）的GPU驱动，NVIDIA官方将不再提供功能更新或安全补丁等服务，具体请参见驱动生命周期。例如，Production Branch从发布之日起提供1年的支持，LTSB（Long Term Support Branch）提供3年的长期支持。

  对应该策略，对于已EOL的GPU驱动，CCE将不再不提供相应的技术支持，包含驱动的安装、更新等服务。目前，已EOL的驱动包括：510.47.03、470.141.03、470.57.02。

获取驱动链接

当需要使用自定义驱动链接地址安装驱动时，CCE AI套件（NVIDIA GPU）插件支持两种类型的地址，即公网地址和OBS地址。具体获取方式如下：

组件说明

相关链接

• CCE AI套件（NVIDIA GPU）插件提供GPU监控指标，关于GPU指标详情请参见GPU监控指标说明。
• 启用dcgm-exporter组件后，如果需要将采集的GPU监控数据上报至AOM服务，请参见实现DCGM指标的全面监控。
• 如果需要进一步实现GPU虚拟化功能，请参见GPU虚拟化。

版本记录