使用 GPU-Operator 與 KubeSphere 簡化深度學習訓練與 GPU 監控

本文將從 GPU-Operator 概念介紹、安裝部署、深度訓練測試應用部署，以及在 KubeSphere 使用自定義監控面板對接 GPU 監控，從原理到實踐，逐步淺析介紹與實踐 GPU-Operator。

GPU-Operator簡介

衆所周知，Kubernetes 平臺通過設備插件框架提供對特殊硬件資源的訪問，如 NVIDIA GPU、網卡、Infiniband 適配器和其他設備。然而，使用這些硬件資源配置和管理節點需要配置多個軟件組件，如驅動程序、容器運行時或其他依賴庫，這是困難的和容易出錯的。

NVIDIA GPU Operator 由 Nvidia 公司開源，利用了 Kubernetes 平臺的 Operator 控制模式，方便地自動化集成管理 GPU 所需的 NVIDIA 設備組件，有效地解決了上述GPU設備集成的痛點。這些組件包括 NVIDIA 驅動程序(用於啓用 CUDA )、用於 GPU 的 Kubernetes 設備插件、NVIDIA Container 運行時、自動節點標籤、基於 DCGM 的監控等。

NVIDIA GPU Operator 的不僅實現了設備和組件一體化集成，而且它管理 GPU 節點就像管理 CPU 節點一樣方便，無需單獨爲 GPU 節點提供特殊的操作系統。值得關注的是，它將GPU各組件容器化，提供 GPU 能力，非常適合快速擴展和管理規模 GPU 節點。當然，對於已經爲GPU組件構建了特殊操作系統的應用場景來說，顯得並不是那麼合適了。

GPU-Operator 架構原理

前文提到，NVIDIA GPU Operator 管理 GPU 節點就像管理 CPU 節點一樣方便，那麼它是如何實現這一能力呢？

我們一起來看看 GPU-Operator 運行時的架構圖：

通過圖中的描述，我們可以知道， GPU-Operator 是通過實現了 Nvidia 容器運行時，以runC作爲輸入，在runC中preStart hook中注入了一個名叫nvidia-container-toolkit的腳本，該腳本調用libnvidia-container CLI設置一系列合適的flags，使得容器運行後具有 GPU 能力。

GPU-Operator 安裝說明

前提條件

在安裝 GPU Operator 之前，請配置好安裝環境如下：

• 所有節點不需要預先安裝NVIDIA組件(driver,container runtime,device plugin)；
• 所有節點必須配置Docker,cri-o, 或者containerd.對於 docker 來說，可以參考這裏；
• 如果使用HWE內核(e.g. kernel 5.x) 的 Ubuntu 18.04 LTS 環境下,需要給nouveau driver添加黑名單，需要更新initramfs；

$ sudo vim /etc/modprobe.d/blacklist.conf # 在尾部添加黑名單
blacklist nouveau
options nouveau modeset=0
$ sudo update-initramfs -u
$ reboot
$ lsmod | grep nouveau # 驗證nouveau是否已禁用
$ cat /proc/cpuinfo | grep name | cut -f2 -d: | uniq -c  #本文測試時處理器架構代號爲Broadwell
16 Intel Core Processor (Broadwell)

• 節點發現(NFD) 需要在每個節點上配置，默認情況會直接安裝，如果已經配置，請在Helm chart變量設置nfd.enabled爲false, 再安裝;
• 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

支持的容器運行時

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

安裝doker環境

可參考 Docker 官方文檔

安裝NVIDIA Docker

配置 stable 倉庫和 GPG key :

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

更新軟件倉庫後安裝nvidia-docker2並添加運行時配置：

$ 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 version
N or O  : keep your currently-installed version
D     : show the differences between the versions
Z     : start a shell to examine the situation
-----
# 初次安裝，遇到以上交互式問題可選擇N
# 如果選擇Y會覆蓋你的一些默認配置
# 選擇N後，將以下配置添加到etc/docker/daemon.json
{
  "runtimes": {
      "nvidia": {
          "path": "/usr/bin/nvidia-container-runtime",
          "runtimeArgs": []
      }
  }
}

重啓docker:

$ sudo systemctl restart docker

安裝Helm

$ curl -fsSL -o get_helm.sh https://raw.githubusercontent.com/helm/helm/master/scripts/get-helm-3 \
   && chmod 700 get_helm.sh \
   && ./get_helm.sh

添加helm倉庫

$ helm repo add nvidia https://nvidia.github.io/gpu-operator \
   && helm repo update

安裝 NVIDIA GPU Operator

docker as runtime

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

如果需要指定驅動版本，可參考如下：

$ 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

由於安裝的鏡像比較大，所以初次安裝過程中可能會出現超時的情形，請檢查你的鏡像是否在拉取中！可以考慮使用離線安裝解決該類問題，參考離線安裝的鏈接。

使用 values.yaml 安裝

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

考慮離線安裝

應用部署

檢查已部署 operator 服務狀態

檢查 pods 狀態

$ kubectl get pods -n gpu-operator-resources
NAME                                                          READY   STATUS      RESTARTS   AGE
gpu-feature-discovery-4gk78                                   1/1     Running     0          35s
gpu-operator-858fc55fdb-jv488                                 1/1     Running     0          2m52s
gpu-operator-node-feature-discovery-master-7f9ccc4c7b-2sg6r   1/1     Running     0          2m52s
gpu-operator-node-feature-discovery-worker-cbkhn              1/1     Running     0          2m52s
gpu-operator-node-feature-discovery-worker-m8jcm              1/1     Running     0          2m52s
nvidia-container-toolkit-daemonset-tfwqt                      1/1     Running     0          2m42s
nvidia-dcgm-exporter-mqns5                                    1/1     Running     0          38s
nvidia-device-plugin-daemonset-7npbs                          1/1     Running     0          53s
nvidia-device-plugin-validation                               0/1     Completed   0          49s
nvidia-driver-daemonset-hgv6s                                 1/1     Running     0          2m47s

檢查節點資源是否處於可分配

$ 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
---

部署官方文檔中的兩個實例

實例一

$ cat cuda-load-generator.yaml
apiVersion: v1
kind: Pod
metadata:
   name: dcgmproftester
spec:
   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

實例二

$ curl -LO https://nvidia.github.io/gpu-operator/notebook-example.yml
$ cat notebook-example.yml
apiVersion: v1
kind: Service
metadata:
  name: tf-notebook
  labels:
    app: tf-notebook
spec:
  type: NodePort
  ports:
  - port: 80
    name: http
    targetPort: 8888
    nodePort: 30001
  selector:
    app: tf-notebook
---
apiVersion: v1
kind: Pod
metadata:
  name: tf-notebook
  labels:
    app: tf-notebook
spec:
  securityContext:
    fsGroup: 0
  containers:
  - name: tf-notebook
    image: tensorflow/tensorflow:latest-gpu-jupyter
    resources:
      limits:
        nvidia.com/gpu: 1
    ports:
    - containerPort: 8

基於 Jupyter Notebook 應用運行深度學習訓練任務

部署應用

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

查看 GPU 處於已分配狀態:

$ 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 this
Events:              <none>

當有 GPU 任務發佈給平臺時，GPU 資源從可分配狀態轉變爲已分配狀態，安裝任務發佈的先後順序，第二個任務在第一個任務運行結束後開始運行：

$ kubectl get pods --watch
NAME             READY   STATUS    RESTARTS   AGE
dcgmproftester   1/1     Running   0          76s
tf-notebook      0/1     Pending   0          58s
------
NAME             READY   STATUS      RESTARTS   AGE
dcgmproftester   0/1     Completed   0          4m22s
tf-notebook      1/1     Running     0          4m4s

獲取應用端口信息：

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

查看日誌，獲取登錄口令：

$ 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] http://tf-notebook:8888/?token=3660c9ee9b225458faaf853200bc512ff2206f635ab2b1d9
[I 21:50:23.391 NotebookApp]  or http://127.0.0.1:8888/?token=3660c9ee9b225458faaf853200bc512ff2206f635ab2b1d9
[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:
      file:///root/.local/share/jupyter/runtime/nbserver-1-open.html
   Or copy and paste one of these URLs:
      http://tf-notebook:8888/?token=3660c9ee9b225458faaf853200bc512ff2206f635ab2b1d9
   or http://127.0.0.1:8888/?token=3660c9ee9b225458faaf853200bc512ff2206f635ab2b1d9

運行深度學習任務

進入jupyter notebook 環境後，嘗試進入終端，運行深度學習任務：

進入terminal後拉取tersorflow測試代碼並運行：

與此同時，開啓另外一個終端運行nvidia-smi查看 GPU 監控使用情況：

利用 KubeSphere 自定義監控功能監控 GPU

部署 ServiceMonitor

gpu-operator幫我們提供了nvidia-dcgm-exporter這個exportor, 只需要將它集成到Prometheus的可採集對象中，也就是ServiceMonitor中，我們就能獲取GPU監控數據了:

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

可以構建一個busybox查看該exporter暴露的指標:

$ kubectl get svc -n gpu-operator-resources
NAME                                  TYPE        CLUSTER-IP      EXTERNAL-IP   PORT(S)    AGE
gpu-operator-node-feature-discovery   ClusterIP   10.233.54.111   <none>        8080/TCP   56m
nvidia-dcgm-exporter                  ClusterIP   10.233.53.196   <none>        9400/TCP   54m
$ kubectl exec -it busybox-sleep -- sh
$ wget http://nvidia-dcgm-exporter.gpu-operator-resources:9400/metrics
$ 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"} 405
DCGM_FI_DEV_MEM_CLOCK{gpu="0",UUID="GPU-eeff7856-475a-2eb7-6408-48d023d9dd28",device="nvidia0",container="tf-notebook",namespace="default",pod="tf-notebook"} 715
DCGM_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-resources
Name:                     nvidia-dcgm-exporter
Namespace:                gpu-operator-resources
Labels:                   app=nvidia-dcgm-exporter
Annotations:              prometheus.io/scrape: true
Selector:                 app=nvidia-dcgm-exporter
Type:                     NodePort
IP:                       10.233.28.200
Port:                     gpu-metrics  9400/TCP
TargetPort:               9400/TCP
NodePort:                 gpu-metrics  31129/TCP
Endpoints:                10.233.84.54:9400
Session Affinity:         None
External Traffic Policy:  Cluster
Events:                   <none>

配置ServiceMonitor定義清單:

$ cat custom/gpu-servicemonitor.yaml 
apiVersion: monitoring.coreos.com/v1
kind: ServiceMonitor
metadata:
  name: nvidia-dcgm-exporter
  namespace: gpu-operator-resources 
  labels:
     app: nvidia-dcgm-exporter
spec:
  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

檢查 GPU 指標是否被採集到（可選）

將servicemonitor提交給kubesphere平臺後，通過暴露prometheus-k8s爲NodePort，我們可以在Prometheus的UI上驗證一下是否採集到的相關指標：

創建 KubeSphere GPU 自定義監控面板

KubeSphere 3.0

如果部署的 KubeSphere 版本是KubeSphere 3.0，需要簡單地配置以下幾個步驟，便可順利完成可觀察性監控。

首先， 登錄kubsphere console後，創建一個企業空間名稱爲ks-monitoring-demo, 名稱可按需創建;

其次，需要將ServiceMonitor所在的目標名稱空間gpu-operator-resources分配爲已存在的企業空間中，以便納入監控。

最後，進入目標企業空間，在納管的項目找到gpu-operator-resources, 點擊後找到可自定義監控界面, 即可添加自定義監控。

後續版本

後續版本可選擇添加集羣監控

創建自定義監控

下載dashboard以及配置namespace:

$ curl -LO https://raw.githubusercontent.com/kubesphere/monitoring-dashboard/master/contrib/gallery/nvidia-gpu-dcgm-exporter-dashboard.yaml
$ cat nvidia-gpu-dcgm-exporter-dashboard.yaml
----
apiVersion: monitoring.kubesphere.io/v1alpha1
kind: Dashboard
metadata:
  name: nvidia-dcgm-exporter-dashboard-rev1
  namespace: gpu-operator-resources  # check here
spec:
-----

可以直接命令行apply或者在自定義監控面板中選擇編輯模式進行導入：

正確導入後：

在上面創建的jupyter notebook運行深度學習測試任務後，可以明顯地觀察到相關GPU指標變化：

卸載

$ helm list -n gpu-operator-resources
NAME            NAMESPACE               REVISION        UPDATED                                 STATUS          CHART                   APP VERSION
gpu-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

重啓無法使用 GPU

關於已部署正常運行的gpu-operator和AI應用的集羣，重啓GPU主機後會出現沒法用上 GPU 的情況，極有可能是因爲插件還沒加載，應用優先進行了載入，就會導致這種問題。這時，只需要優先保證插件運行正常，然後重新部署應用即可。

GPU-Operator 常見問題

GPU-Operator 重啓後無法使用

答：關於已部署正常運行的gpu-operator和 AI 應用的集羣，重啓 GPU 主機後會出現沒法用上 GPU 的情況，極有可能是因爲插件還沒加載，應用優先進行了載入，就會導致這種問題。這時，只需要優先保證插件運行正常，然後重新部署應用即可。

Nvidia k8s-device-plugin 與 GPU-Operator 方案對比？

我之前針對GPU使用的是 https://github.com/NVIDIA/k8s-device-plugin 和 https://github.com/NVIDIA/gpu-monitoring-tools 相結合的方案來監控 GPU，請問這個方案與 GPU-Operator的方案相比，孰優孰劣一些？

答：個人認爲 GPU-Operator 更簡單易用，其自帶 GPU 注入能力不需要構建專用的 OS，並且支持節點發現與可插拔，能夠自動化集成管理 GPU 所需的 NVIDIA 設備組件，相對來說還是很省事的。

有沒有 KubeSphere 自定義監控的詳細使用教程？

答：可以參考 KubeSphere 官方文檔來使用自定義監控。

參考資料

官方代碼倉庫

• GitHub: https://github.com/NVIDIA/gpu-operator
• GitLab: https://gitlab.com/nvidia/kubernetes/gpu-operator

官方文檔

• GPU-Operator 快速入門：https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/getting-started.html#install-nvidia-gpu-operator
• GPU-Operator 離線安裝指南：https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/getting-started.html#considerations-to-install-in-air-gapped-clusters
• KubeSphere 自定義監控使用文檔：https://kubesphere.com.cn/docs/project-user-guide/custom-application-monitoring/examples/monitor-mysql/