MicroK8s中使用NVIDIA H100 GPU的配置与问题解决

背景介绍

在Kubernetes环境中使用GPU资源进行加速计算已成为AI和机器学习工作负载的常见需求。MicroK8s作为轻量级Kubernetes发行版，通过其GPU插件可以方便地管理NVIDIA GPU资源。然而，在使用最新NVIDIA H100 GPU时，用户可能会遇到一些兼容性问题。

问题现象

当在Azure VM上部署MicroK8s v1.28.9并启用GPU支持时，虽然主机上的nvidia-smi命令能够正确识别H100 GPU，但在Kubernetes中调度使用GPU的Pod时会出现资源不足的错误。具体表现为Pod处于Pending状态，错误信息显示"Insufficient nvidia.com/gpu"。

根本原因分析

通过日志分析发现，问题主要源于以下几个方面：

1. GPU Operator版本兼容性：默认安装的GPU Operator版本(v23.9.1)对H100 GPU和NVIDIA驱动550.90.07的支持不完善。

2. 设备节点创建问题：GPU Operator在验证驱动安装时，尝试创建/dev/nvidiactl设备节点时失败，报错"failed to determine major: invalid device node"。

3. 系统环境差异：Azure VM环境与标准物理服务器在设备管理方面可能存在差异，导致设备节点处理异常。

解决方案

经过多次测试验证，以下方案可以成功解决H100 GPU在MicroK8s中的使用问题：

1. 升级GPU Operator版本：

microk8s enable gpu --version v24.3.0

2. 使用兼容的测试镜像：

apiVersion: v1
kind: Pod
metadata:
  name: cuda-vectoradd
spec:
  restartPolicy: OnFailure
  containers:
  - name: cuda-vectoradd
    image: "nvidia/samples:vectoradd-cuda11.2.1"
    resources:
      limits:
        nvidia.com/gpu: 1

注意事项

1. 版本选择：测试表明v24.3.0到v24.6.2版本工作正常，但v24.9.0及以上版本可能会出现新的设备节点冲突问题。

2. 环境准备：

   • 确保主机已正确安装NVIDIA驱动
   • 确认nvidia-smi命令能正常显示GPU信息
   • 检查/dev目录下NVIDIA相关设备节点是否存在

3. 权限配置：

   • 确保用户已加入microk8s组
   • 正确设置kubeconfig文件权限

验证方法

部署测试Pod后，可通过以下命令验证GPU是否正常工作：

kubectl logs pod/cuda-vectoradd

成功输出应包含"[Vector addition of 50000 elements] Test PASSED"等信息。

总结

在MicroK8s中使用最新NVIDIA GPU时，选择合适的GPU Operator版本至关重要。对于H100 GPU，推荐使用v24.3.0版本，并配合兼容的CUDA测试镜像。随着NVIDIA驱动和GPU Operator的持续更新，未来版本可能会提供更好的兼容性支持。在实际生产环境中部署前，建议先在测试环境充分验证GPU功能的完整性和稳定性。