更新时间:2025-08-14 GMT+08:00

升级Standard专属资源池驱动

场景介绍

当专属资源池中的节点含有GPU/Ascend资源时,资源池节点性能如果无法满足现有业务,升级驱动可以修复已知问题、提升性能或者支持新功能,确保资源池性能和兼容性得到优化。

ModelArts提供升级专属资源池GPU/Ascend驱动的功能,您可根据自身业务需要通过ModelArts控制台升级专属资源池GPU/Ascend驱动。

安全升级与强制升级对比

驱动升级有两种升级方式:安全升级、强制升级,对比如下。

表1 安全升级与强制升级对比

对比项

安全升级

强制升级

介绍

在节点空闲时进行驱动升级,不会影响正在运行的任务。升级过程平滑,减少对业务的影响。

开始升级后会先将节点进行隔离(不能再下发新的作业),待节点上的存量作业运行完成后再进行升级,因需要等待作业完成,故升级周期可能比较长。

忽略节点上正在运行的任务,直接进行驱动升级。

升级速度快,无需等待节点空闲。

适用场景

非紧急情况,逐步升级。

紧急情况,快速完成升级。

注意事项

需等待节点空闲,升级周期较长。在升级前,建议提前安排节点空闲时间,以减少对业务的影响。

可能导致正在运行的任务中断或失败。需谨慎使用,避免对业务造成影响。

约束限制

  • 专属资源池状态处于运行中,且专属池中的节点需要含有GPU/Ascend资源。
  • 对于逻辑资源池/逻辑子池,需要开启节点绑定后才能进行驱动升级。
  • Standard专属资源池驱动升级时,如果该集群下逻辑子池升级过驱动版本,则逻辑子池下绑定的节点不会升级到集群指定的驱动版本。如果要升级该逻辑子池下节点的驱动,需要在对应的逻辑子池进行驱动升级。如需升级整个物理池,需先关闭逻辑池节点绑定
  • 升级需要重启节点,建议在低峰期进行,以避免影响正在运行的任务,可前往资源池详情页3查看资源池节点状态

升级专属资源池GPU/Ascend驱动

  1. 登录ModelArts管理控制台,在左侧菜单栏中选择“资源管理 > 标准算力集群 (Standard Cluster)”。
  2. 在资源池列表中,选择需要进行驱动升级的资源池,在右侧的操作列,单击“ > 驱动升级”。
  3. “驱动升级”弹窗中,会显示当前专属资源池的驱动类型、实例数、当前版本、目标版本、升级方式、升级范围和开启滚动开关。按表2设置驱动升级参数。
    表2 驱动升级参数说明

    参数

    说明

    目标版本

    在目标版本下拉框中,选择当前驱动待升级的目标驱动版本。

    对于资源池新增加的节点,可能会与资源池原有节点驱动不一致,为了保持驱动一致,目标版本可选择当前驱动版本,升级完成后所有节点驱动会升级为统一版本。

    升级方式

    可选择安全升级或强制升级,具体对比请见安全升级与强制升级对比

    • 安全升级:待节点上没有作业时再升级,升级周期可能比较长。
    • 强制升级:忽略运行中作业,直接升级,可能会导致运行中作业失败。

    开启滚动

    开启开关后,支持滚动升级的方式升级驱动。

    滚动升级是一种逐步替换实例的升级方式,适用于需要保持服务连续性的场景。通过分批次升级实例,确保在升级过程中始终有部分实例正常运行,从而减少停机时间。

    滚动驱动升级时,驱动异常的节点对升级无影响,会和驱动正常的节点一起升级。

    滚动方式

    当前支持“按节点比例”“按实例数量”两种滚动方式。

    • 按节点比例:每批次驱动升级的实例数量为“节点比例*资源池实例总数”
    • 按实例数量:每批次驱动升级的实例数量为设置的实例数量。

    对于不同的升级方式,滚动升级选择节点的策略会不同:

    • 如果“升级方式”“安全升级”,则根据滚动实例数量选择无业务的节点,隔离节点并滚动升级。

      无业务节点定义:在资源池详情“节点”页签下,如果GPU/Ascend的可用数等于总数,则为无业务节点。

    • 如果“升级方式”“强制升级”,则根据滚动实例数量随机选择节点,隔离节点并滚动升级。

    节点比例

    “滚动方式”选择“按节点比例”时,需要设置每批次驱动升级的实例数量比例,每批次驱动升级的实例数量为“节点比例*资源池实例总数”

    实例数

    “滚动方式”选择“按实例数量”时,需要设置每批次驱动升级的实例数量。

    图1 驱动升级

  4. 设置完成后,单击“确定”开始驱动升级。

    在资源池列表中,选择目标资源池,单击操作列中的“更多”,然后选择“驱动升级”。在弹出的“驱动升级”页面中,查看当前版本和目标版本是否一致。如果一致,说明驱动已成功升级。

常见问题

Standard资源池节点故障定位

对于Standard资源池,ModelArts平台在识别到节点故障后,通过给K8S节点增加污点的方式(taint)将节点隔离避免新作业调度到该节点而受到影响,并且使本次作业不受污点影响。详情请见Standard资源池节点故障定位