NVIDIA k8s-device-plugin与CRI-O运行时配置问题深度解析

问题背景

在使用NVIDIA容器工具链（nvidia-container-toolkit）与CRI-O容器运行时集成时，用户反馈了一个关键问题：当通过nvidia-ctk工具配置CRI-O使用NVIDIA运行时作为默认运行时后，Kubernetes集群中出现容器无法正常终止的情况，同时伴随权限拒绝错误。该问题在Ubuntu 24.04系统、CRI-O 1.24.6版本和NVIDIA容器工具链1.17.1版本环境下复现。

问题现象分析

核心症状表现

1. 容器终止异常：Kubernetes Pod处于"Terminating"状态无法完成删除流程
2. 运行时日志报错：CRI-O日志显示"stop container failed"错误
3. 权限问题：通过exec进入容器时持续输出"permission denied"错误

配置关联性

当移除nvidia-ctk生成的配置文件（/etc/crio/crio.conf.d/99-nvidia.conf）后，系统恢复正常，表明问题与NVIDIA运行时配置直接相关。

技术根因

关键配置项分析

问题核心在于配置文件中以下设置：

[crio.runtime]
    default_runtime = "nvidia"

该配置将CRI-O的默认运行时从原本的"runc"切换为"nvidia"，但未正确处理用户上下文切换。

权限机制冲突

1. 用户上下文变化：默认运行时切换导致容器进程以"nvidia"用户而非root身份运行
2. 系统调用限制：关键容器生命周期管理操作需要root权限
3. 设备访问隔离：GPU设备访问权限未正确继承

解决方案

临时解决措施

1. 移除default_runtime设置，恢复默认runc运行时
2. 通过Kubernetes Pod注解显式指定nvidia运行时：

annotations:
    io.kubernetes.cri-o.RuntimeHandler: nvidia

长期建议

1. 分层运行时配置：保持runc为默认运行时，仅对需要GPU的工作负载使用nvidia运行时
2. 权限精细化控制：
   • 配置cgroup规则确保必要权限
   • 设置适当的udev规则管理设备节点
3. 版本兼容性验证：确认NVIDIA容器工具链与CRI-O版本的兼容性矩阵

技术启示

1. 默认运行时风险：修改容器默认运行时可能影响集群核心功能
2. 权限边界设计：容器引擎与设备插件间的权限传递需要明确规范
3. 生产环境验证：类似配置变更应在测试环境充分验证

最佳实践建议

对于生产环境部署NVIDIA GPU支持：

1. 渐进式配置：先验证基础功能再启用高级特性
2. 监控指标：建立容器生命周期操作的基线监控
3. 回滚方案：准备配置回滚脚本应对异常情况
4. 版本管理：保持NVIDIA驱动、容器工具链和CRI-O的版本同步更新

该案例揭示了容器运行时与设备插件集成时的典型权限问题，为类似场景提供了有价值的参考方案。