Amazon EKS AMI中nvidia-ctk版本升级导致的GPU节点启动问题分析

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：

1. 系统日志中会出现"could not infer options from runtimes [runc crun]; using defaults"的警告信息
2. 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
3. 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：

1. 在v20241109版本的Amazon EKS AMI中，将nvidia-container-toolkit升级到了1.17.1版本
2. 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：

1. 确认当前使用的AMI版本是否为v20241109或更新版本
2. 如果使用的是旧版本，升级到最新AMI版本
3. 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：

1. 定期更新AMI到最新版本
2. 在升级前，先在测试环境验证关键功能
3. 对于GPU节点，特别注意nvidia相关组件的版本兼容性
4. 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。