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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
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
861
511
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
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
259
300
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57
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
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
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
332
1.08 K