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 07:12:16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
相关项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
156
2 K
kernelkernel
deepin linux kernel
C
22
6
pytorchpytorch
Ascend Extension for PyTorch
Python
38
72
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
519
50
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
942
555
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
195
279
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
993
396
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
359
12
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
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)。
Python
75
71