NVIDIA k8s-device-plugin混合GPU配置部署问题解析

背景介绍

在使用NVIDIA k8s-device-plugin进行GPU资源管理时，用户经常会遇到需要为不同节点配置不同GPU模式的需求。特别是在生产环境中，可能需要部分节点使用默认的GPU独占模式，而其他节点使用MPS(Multi-Process Service)共享模式。这种混合配置场景下，资源分配可能会出现一些意料之外的问题。

问题现象

用户在部署GPU Operator时采用了混合配置方案，为不同节点分别设置了默认配置和MPS配置。虽然通过nvidia-smi命令可以确认MPS节点上的GPU确实处于"Exclusive Process"模式，但在实际调度请求GPU资源的Pod时却遇到了两类问题：

1. 当请求nvidia.com/gpu.shared: 1资源时，系统报告Insufficient nvidia.com/gpu.shared错误，提示没有可用节点
2. 当使用nvidia.com/mps.capable: "true"节点选择器并请求nvidia.com/gpu: 1时，出现更复杂的CDI设备注入错误

问题分析

资源请求不匹配问题

第一种情况中，请求共享GPU资源失败，表明虽然节点配置了MPS模式，但资源分配机制可能没有正确识别或暴露共享GPU资源。这通常与以下因素有关：

• GPU Operator配置中可能未正确启用共享GPU支持
• 节点标签或资源注册信息不完整
• 设备插件未能正确识别并上报共享GPU资源

CDI设备注入问题

第二种情况出现的CDI(Container Device Interface)相关错误更为复杂，表明容器运行时在尝试将GPU设备注入容器时遇到了问题。具体错误信息指向无法解析CDI设备规格，这可能由以下原因导致：

• containerd配置中CDI支持未正确启用
• CDI设备规格文件生成不完整或格式不正确
• 设备ID映射关系出现异常

解决方案探索

用户尝试了多种解决方法：

1. 检查/var/run/cdi/k8s.device-plugin.nvidia.com-gpu.json文件，确认请求的GPU ID确实存在
2. 修改containerd配置，在[plugins."io.containerd.grpc.v1.cri"]部分启用CDI支持
3. 最终通过禁用CDI功能解决了问题

最佳实践建议

基于此案例，我们总结出以下部署建议：

1. 混合环境配置：在需要同时支持独占和共享GPU的环境中，确保为不同节点正确设置标签和资源配置
2. CDI配置考量：如果不需要CDI功能，可以在部署GPU Operator时显式禁用
3. 资源请求匹配：确保Pod的资源请求与节点实际提供的资源类型相匹配
4. 配置验证：部署后使用nvidia-smi等工具验证GPU模式是否符合预期

总结

NVIDIA k8s-device-plugin在混合GPU配置环境下可能会遇到资源分配问题，特别是当涉及CDI功能时。通过合理配置和问题排查，可以确保GPU资源在各种模式下都能被正确调度和使用。对于不需要CDI功能的场景，直接禁用CDI是一个有效的解决方案。