华为云CCE GPU集群中安装nvidia-fabricmanager失败的问题分析

1. 问题现象

笔者在华为云CCE集群(多个Ant8节点组成)， 安装nvidia-fabricmanager后，无法正常启动。报错信息如下：

2.  解决方案

从报错信息看是nvidia-fabricmanager要使用服务器的6666端口， 但是似乎无法占用， 那么可能的原因就是

这个端口被CCE的其它组件已经占用了， 解决的方法就是删除icagent。 这个组件是daemonset在每个集群上都有， 删除后发现nvidia-fabricmanager可以正常启动，

查看了下nvidia-fabricmanager是否会占用主机端口， 一个比较好的回答，供各位看官参考：