Amazon EKS AMI中nvidia-ctk版本升级导致的GPU节点启动问题分析
2025-06-30 07:26:18作者:幸俭卉
在AWS EKS环境中,使用GPU节点时可能会遇到一个关键问题:当nvidia-ctk工具从1.16.2升级到1.17.0版本后,会导致节点启动过程中containerd配置被错误覆盖,进而影响整个集群的正常运行。这个问题特别影响那些需要自定义pause容器镜像或其他containerd配置的环境。
问题背景
Amazon EKS AMI是AWS专门为Elastic Kubernetes Service优化的Amazon Linux 2镜像。在GPU节点启动过程中,系统会执行一系列初始化脚本,其中包括配置NVIDIA容器运行时环境的步骤。这个配置过程由nvidia-ctk工具完成,它负责将NVIDIA容器运行时集成到containerd中。
问题现象
当nvidia-ctk升级到1.17.0版本后,在GPU节点启动过程中会出现以下异常行为:
- 系统日志中会出现"could not infer options from runtimes [runc crun]; using defaults"的警告信息
- containerd的配置文件/etc/containerd/config.toml会被完全重写,忽略原有的定制化配置
- 特别影响PAUSE_IMAGE等关键配置项,导致节点无法从私有仓库拉取pause容器镜像
问题根源
经过分析,这个问题源于nvidia-ctk 1.17.0版本的一个行为变更。当工具无法从现有运行时配置中推断出选项时,它会直接使用默认值覆盖整个配置文件,而不是像之前版本那样进行合并或保留原有配置。
这种行为变化与Amazon EKS AMI的设计预期不符,因为AMI模板中已经包含了精心设计的containerd配置模板,这些配置应该被保留而不是被覆盖。
影响范围
该问题影响所有使用以下配置的环境:
- 使用GPU节点的EKS集群
- 使用v20241106或之前版本的Amazon EKS AMI
- 需要自定义containerd配置(特别是pause容器镜像)的环境
解决方案
AWS团队已经通过以下方式解决了这个问题:
- 在v20241109版本的Amazon EKS AMI中,将nvidia-container-toolkit升级到了1.17.1版本
- 新版本的nvidia-ctk修复了配置覆盖的问题,恢复了预期的合并行为
对于受影响的用户,解决方案是:
- 确认当前使用的AMI版本是否为v20241109或更新版本
- 如果使用的是旧版本,升级到最新AMI版本
- 对于无法立即升级的环境,可以考虑手动修复containerd配置
最佳实践
为了避免类似问题,建议EKS用户:
- 定期更新AMI到最新版本
- 在升级前,先在测试环境验证关键功能
- 对于GPU节点,特别注意nvidia相关组件的版本兼容性
- 保持对containerd配置的备份,以便在出现问题时快速恢复
总结
这个问题展示了基础设施组件之间微妙的依赖关系,即使是小版本升级也可能带来意想不到的影响。AWS团队通过快速响应和版本更新解决了这个问题,体现了对EKS用户体验的重视。作为用户,保持系统组件的最新状态是避免类似问题的有效方法。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0120AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
225
2.27 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1

暂无简介
Dart
526
116

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
987
583

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
351
1.42 K

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
61
17

GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】
Jinja
47
0

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0

React Native鸿蒙化仓库
JavaScript
212
287