首页
/ NVIDIA GPU Operator中NFD重启导致驱动Pod重建问题分析

NVIDIA GPU Operator中NFD重启导致驱动Pod重建问题分析

2025-07-04 08:18:53作者:秋阔奎Evelyn

问题背景

在使用NVIDIA GPU Operator部署Kubernetes集群中的GPU资源时,用户报告了一个关键问题:当Node Feature Discovery(NFD)组件重启时,会导致NVIDIA驱动DaemonSet被意外重建。这一现象在将NFD从GPU Operator命名空间分离部署时尤为明显。

问题现象

具体表现为:

  1. 当NFD worker pod在GPU节点上重启时
  2. NVIDIA驱动DaemonSet会被终止并重新创建
  3. 节点标签nvidia.com/gpu-driver-upgrade-state保持在"upgrade done"状态
  4. 驱动Pod陷入init崩溃循环,等待节点上的Pod被驱逐

根本原因分析

经过深入调查,发现该问题与NFD的标签管理机制有关。在NFD v0.15.4版本中存在一个已知问题:当NFD worker pod被删除并重新创建时,它会先删除所有由其管理的节点标签,然后再重新添加。这种标签的临时消失会触发GPU Operator的响应机制,导致驱动DaemonSet被重建。

影响范围

该问题主要影响以下环境配置:

  • 使用GPU Operator v24.3.0版本
  • 驱动版本535.183.01
  • NFD版本0.15.4
  • 将NFD与GPU Operator分离部署的场景

解决方案

针对此问题,社区提供了多种解决方案:

  1. 降级NFD版本:使用不受此bug影响的NFD版本(如v0.14.6或更早版本)

  2. 禁用NFD垃圾回收器:通过修改NFD的helm values配置,禁用标签的垃圾回收功能

  3. 升级到修复版本:NFD v0.16.2及更高版本已经修复了此问题,GPU Operator v24.6.0已集成NFD v0.16.3

临时应对措施

在无法立即升级的情况下,可以采取以下手动干预措施:

  1. 将节点标签手动设置为nvidia.com/gpu-driver-upgrade-state=upgrade-required
  2. 这将触发GPU Operator的升级控制器驱逐节点上的所有GPU Pod
  3. 允许驱动Pod恢复正常运行状态

技术建议

对于生产环境,建议:

  1. 保持GPU Operator和NFD版本的兼容性
  2. 在分离部署NFD和GPU Operator时,特别注意版本匹配
  3. 定期关注组件更新,及时应用修复版本
  4. 对于关键业务环境,考虑实施升级前的充分测试

通过理解这一问题的本质和解决方案,用户可以更好地规划和管理GPU加速的Kubernetes集群,确保GPU资源的稳定性和可靠性。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
RuoYi-Vue3RuoYi-Vue3
🎉 (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
930
553
nop-entropynop-entropy
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
8
0
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
509