NVIDIA Container Toolkit 中 GPU 容器化问题的诊断与解决

问题背景

在使用 NVIDIA Container Toolkit 时，用户遇到了无法在容器中正确加载 GPU 的问题。具体表现为当尝试运行带有 GPU 加速的容器时，系统报错提示无法加载共享库文件 libnvidia-container.so.1。这个问题在 Fedora 41 系统上出现，用户已手动安装了最新的 NVIDIA 驱动（版本 570.133.07），并且主机上的 GPU 加速工作负载（如 ollama 和游戏）运行正常。

错误现象分析

当用户尝试运行测试容器命令时：

sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smi

系统返回以下关键错误信息：

/usr/bin/nvidia-container-cli: error while loading shared libraries: libnvidia-container.so.1: cannot open shared object file: No such file or directory

这个错误表明系统虽然安装了 NVIDIA Container Toolkit 的相关组件，但关键的共享库文件无法被正确加载。值得注意的是，nvidia-smi 在主机上运行正常，说明基础驱动安装是正确的，问题出在容器运行时环境上。

诊断过程

1. 验证 NVIDIA 驱动状态： 用户确认主机上的 NVIDIA 驱动工作正常，通过 nvidia-smi 命令可以正确显示 GPU 信息，包括 RTX 5070 Ti 显卡的详细状态。

2. 检查容器工具链版本： nvidia-container-toolkit --version 显示版本为 1.17.5，表明工具包已安装。

3. 检查 Docker 配置： /etc/docker/daemon.json 文件已正确配置了 NVIDIA 运行时。

4. 直接测试 nvidia-container-cli： 当直接运行 /usr/bin/nvidia-container-cli 时，复现了相同的共享库缺失错误，这缩小了问题范围。

解决方案

问题的根本原因是 libnvidia-container.so.1 共享库文件缺失或损坏。在 Fedora 系统上，可以通过以下步骤解决：

1. 定位问题库文件：

   dnf provides "/*libnvidia-container.so.1"
   

2. 重新安装相关包：

   sudo dnf reinstall libnvidia-container1
   

重新安装后，验证工具链是否恢复正常：

/usr/bin/nvidia-container-cli --version

最后，再次测试容器 GPU 支持：

sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smi

技术原理

这个问题涉及到 Linux 动态链接库的加载机制。当可执行文件运行时，动态链接器会按照一定顺序搜索所需的共享库文件。NVIDIA Container Toolkit 的核心组件 nvidia-container-cli 依赖于 libnvidia-container.so.1 这个库文件，当这个文件缺失或路径不正确时，就会导致加载失败。

在 Fedora 等基于 RPM 的系统中，库文件通常由对应的软件包提供。通过 dnf provides 命令可以查找特定文件由哪个软件包提供，然后重新安装该软件包即可修复问题。

预防措施

1. 使用官方仓库安装：尽量通过发行版官方仓库安装 NVIDIA 相关组件，而不是手动安装，以减少依赖问题。

2. 验证安装完整性：安装后运行基本功能测试，如 nvidia-container-cli --version，确保所有组件都能正常工作。

3. 注意依赖关系：在升级系统或驱动程序时，注意相关组件的依赖关系，避免部分升级导致的兼容性问题。

总结

NVIDIA Container Toolkit 为容器提供了 GPU 加速支持，但在实际部署中可能会遇到共享库依赖问题。通过系统性的诊断和正确的修复方法，可以快速解决这类问题。理解 Linux 动态链接库的工作原理和软件包管理机制，对于解决类似问题非常有帮助。