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:
- 当NFD worker pod在GPU节点上重启时
- NVIDIA驱动DaemonSet会被终止并重新创建
- 节点标签nvidia.com/gpu-driver-upgrade-state保持在"upgrade done"状态
- 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:
-
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)
-
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
-
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:
- 将节点标签手动设置为nvidia.com/gpu-driver-upgrade-state=upgrade-required
- 这将触发GPU Operator的升级控制器驱逐节点上的所有GPU Pod
- 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:
- 保持GPU Operator和NFD版本的兼容性
- 在分离部署NFD和GPU Operator时,特别注意版本匹配
- 定期关注组件更新,及时应用修复版本
- 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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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 kernel ~ openGauss is an open source relational database management system
C++
129
182

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

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

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

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

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