首页
/ Amazon EKS GPU节点中libnvidia-container版本回退问题分析

Amazon EKS GPU节点中libnvidia-container版本回退问题分析

2025-06-30 21:08:30作者:邬祺芯Juliet

问题背景

在Amazon EKS GPU节点的最新AMI镜像(amazon-eks-gpu-node-1.30-v20250224)中,用户发现GPU工作负载无法正常启动。具体表现为当Pod请求GPU资源时,容器初始化过程中会出现文件挂载冲突的错误提示,导致容器启动失败。经过排查发现,这是由于新版本AMI中意外回退了libnvidia-container工具链的版本所致。

问题现象

当使用最新AMI启动GPU工作负载时,容器运行时报错显示:

nvidia-container-cli: mount error: file creation failed: /run/containerd/io.containerd.runtime.v2.task/.../rootfs/usr/bin/nvidia-smi: file exists

错误表明NVIDIA容器工具在尝试挂载nvidia-smi二进制文件时,发现目标路径已存在同名文件,导致挂载失败。

根本原因分析

通过对比新旧两个AMI版本发现:

  1. 版本回退问题

    • 旧版AMI(v20250212)使用libnvidia-container-tools 1.17.4-1
    • 新版AMI(v20250224)却回退到了libnvidia-container-tools 1.16.1-1
  2. 功能差异

    • 1.16.1版本存在一个已知缺陷,无法正确处理容器镜像中已存在的符号链接文件
    • 该问题在1.16.2版本中通过提交ad1f8c8ac4a31bef69c82958f3a87456ceaa39c8得到修复
  3. 软件源变更

    • 旧版AMI包含专用的nvidia-container-toolkit.repo软件源
    • 新版AMI中该软件源被移除

解决方案

AWS EKS团队迅速响应,发布了修复版本v20250228,该版本中:

  1. 将nvidia-container-toolkit恢复至1.17.4-1版本
  2. 确保正确处理容器中已存在的nvidia相关文件

最佳实践建议

对于需要在容器中使用GPU的用户,建议:

  1. 精简容器镜像

    • 避免在容器镜像中安装完整的nvidia-driver包
    • 改用更轻量的nvidia-cuda-toolkit等专用包
  2. 依赖管理

    • 容器运行时所需的nvidia工具(nvidia-smi等)会自动由nvidia-container-toolkit挂载
    • 无需在容器镜像中预先安装这些工具
  3. 版本监控

    • 定期检查AMI更新日志
    • 在升级前进行充分测试

总结

此次事件凸显了容器化GPU工作负载管理中的一些关键点:工具链版本兼容性、容器镜像精简原则以及自动化更新的风险控制。AWS EKS团队快速响应并修复问题的做法值得肯定,同时也提醒用户在享受自动化更新便利的同时,需要建立适当的监控和回滚机制。

登录后查看全文
热门项目推荐

项目优选

收起
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
52
461
kernelkernel
deepin linux kernel
C
22
5
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
349
381
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
7
0
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
131
185
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
873
517
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
336
1.09 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
264
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
608
59
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4