Amazon EKS GPU节点NVIDIA驱动加载问题分析与解决方案

问题背景

在使用Amazon EKS GPU节点时，部分用户报告了NVIDIA驱动无法正常加载的问题。这一问题主要出现在使用特定版本的Amazon EKS优化AMI镜像（如amazon-eks-gpu-node-1.29-v20240227）时，特别是在p3.2xlarge等实例类型上。

问题现象

当用户部署了基于这些AMI镜像的GPU节点后，尝试运行CUDA容器时发现无法与GPU通信。通过SSH登录节点后执行nvidia-smi命令，会收到如下错误信息：

NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running

根本原因分析

经过深入调查，发现该问题主要由两个技术因素导致：

1. 错误的NVIDIA内核模块加载：系统错误地将这些实例类型识别为支持开源NVIDIA内核模块，导致加载了不兼容的kmod驱动模块。

2. 服务启动顺序问题：在节点初始化过程中，configure-nvidia.service与bootstrap.sh之间存在竞争条件。configure-nvidia服务在完成前就被bootstrap进程覆盖了其生成的containerd配置文件。

临时解决方案

对于遇到此问题的用户，可以采取以下临时解决方案：

手动修复驱动加载问题

对于第一个问题，可以通过SSH登录到节点后执行以下命令强制加载正确的NVIDIA驱动模块：

sudo rm -r /var/lib/dkms/nvidia
sudo dkms install nvidia/535.161.07 --force

执行后，nvidia-smi应能正常显示GPU信息。

解决containerd配置问题

对于第二个问题，可以通过修改Karpenter的userData来确保正确的containerd配置：

apiVersion: karpenter.k8s.aws/v1beta1
kind: EC2NodeClass
metadata:
  name: nvidia-a10g
spec:
  userData: |
    cat <<EOF > /etc/eks/containerd/containerd-config.toml
    [此处应包含完整的containerd配置内容]
    EOF

官方修复

AWS团队已经确认这些问题，并在最新的AMI版本v20240409中提供了完整的修复方案。新版本AMI解决了以下问题：

1. 正确识别实例类型并加载适当的NVIDIA内核模块
2. 修复了configure-nvidia.service与bootstrap.sh之间的竞争条件

最佳实践建议

对于生产环境中的GPU节点部署，建议：

1. 始终使用最新的EKS优化AMI镜像
2. 在升级AMI版本前，先在测试环境验证CUDA工作负载
3. 考虑使用NVIDIA GPU Operator作为更全面的GPU管理解决方案
4. 对于关键业务系统，建立节点健康检查机制，确保GPU驱动正常工作

通过以上措施，可以确保Amazon EKS集群中的GPU节点稳定运行，充分发挥其计算能力。