一 背景

在互联网场景中，用户的AI训练和推理任务对GPU虚拟化有着强烈的诉求。GPU卡作为重要的计算资源不管是在算法训练还是预测上都不可或缺，而对于常见的算法训练业务或智能业务都有往容器迁移演进的趋势，所以如何更好的利用GPU资源成了容器云平台需要解决的问题。云厂商如果提供GPU虚拟化可以为用户带来的如下收益:

• 提高资源利用率（GPU/显存）。GPU共享后，总利用率接近运行任务利用率之和，减少了资源浪费。
• 提高服务质量(QoS)，增强公平性。多个任务既可以同时开始享受资源，也可以单独保证某一个任务的运行。
• 减少任务排队时间和总任务的消耗时间。假设两个任务结束时间分别是x,y，通过GPU共享，两个任务全部结束的时间小于x+y。
• 集群中可以运行更多任务，通过分时复用，减少抢占。

二 CCE平台上GPU虚拟化的优势

CCE GPU虚拟化采用自研xGPU虚拟化技术，能够动态对GPU设备显存与算力进行划分，单个GPU卡最多虚拟化成20个GPU虚拟设备。相对于静态分配来说，虚拟化的方案更加灵活，最大程度保证业务稳定的前提下，可以完全由用户自己定义使用的GPU量，

• 灵活：精细配置GPU算力占比及显存大小，算力分配粒度为5%GPU，显存分配粒度达MB级别。
• 隔离：支持显存和算力的严格隔离，支持单显存隔离，算力与显存同时隔离两类场景。
• 兼容：业务无需重新编译，无需进行CUDA库替换，对业务无感。

三 CCE上如何更好的使用xGPU能力

建议用户在使用GPU资源时，提前创建好对应规格型号的GPU节点资源池,方便后期管理和调度。

3.1 安装插件

GPU的使用需要借助CCE插件能力实现，前往CCE 插件市场进行插件的安装。

1. 安装Volcano调度器插件
   
   插件安装完成后，可前往配置中心-调度设置，设置默认调度器为Volcano，如果不设置需要在负载yaml中指定调度器spec.schedulerName: volcano
   

2. 安装GPU插件(CCE AI 套件)
   插件中心安装GPU插件，CCE平台已经提供多个版本的驱动，在列出的驱动列表中选择使用即可，支持不同节点池选择不同驱动版本。也支持自行配置其它版本的驱动，需要自行提供驱动下载链接。
   

3.2 创建负载任务调用xGPU资源

根据xGPU支持虚拟化维度进行操作实践
注意: 未开启volcano作为全局调度器时，需要在yaml指定调度器为volcano

3.2.1 xGPU模式之显存隔离如何使用

1. 创建负载app01.yaml

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: app01
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: app01
     template:
       metadata:
         labels:
           app: app01
       spec:
         containers:
         - name: bert-container
           image: swr.cn-north-4.myhuaweicloud.com/container-solution/bert-intent-detection:v1 
           ports: 
           - containerPort: 80
           resources:
             limits:
               volcano.sh/gpu-mem.128Mi: '16'
             requests:
               volcano.sh/gpu-mem.128Mi: '16'
         schedulerName: volcano
   
   

   volcano.sh/gpu-mem.128Mi: '16': 显存申请量等于 128Mi x 16=2048Mi=2Gi;也当前负载最多只能使用2Gi的显存资源。

2. 查看Pod信息，pod yaml自动生成两条注解，同样也标注了负载使用了2Gi显存
   
3. 容器内使用nvidia-smi查看显存，表现最大显存为2Gi,显存隔离生效
   

4. xGPU显存隔离能力通过在HCE2.0上实现，在节点上查看/proc/xgpu目录，0表示使用的物理gpu显卡的序列号（如果是多个卡则有多个目录，文件名从0开始，各个文件对应相关下标的GPU卡），container目录下存放使用gpu虚拟化的 容器信息。
   
   查看容器ID对应命令，查看meminfo和quota文件，可以看到HCE2.0控制给容器GPU卡显存和算力的上限配置。
   
   meminfo ：容器分配显存为2Gi,
   quota ：容器分配的算力，0代表不限制算力可以使用到整卡的算力
   路径中xgpu3： 代表虚拟gpu卡的卡号 每创建一个新的容器都会按次序生成一个新的虚拟gpu卡号

3.3.2 单节点多张gpu卡场景分析

1. 购买多gpu卡机型
   

2. 虚拟化模式下不支持单pod申请超过一张卡的gpu资源，如单pod需要使用多卡资源请关闭gpu虚拟化；同时多卡调度，也不支持1.x，2.x 形式，需要为大于1的整数
   

3. 节点上能看到两张gpu物理卡编号
   
   看到容器资源显存隔离生效，xGPU1是从0号gpu卡上软件连接过来的
   

3.2.3 xGPU模式之显存算力均隔离如何使用

1. 创建负载app02,yaml如下

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: app02
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: app02
     template:
       metadata:
         labels:
           app: app02
       spec:
         containers:
         - name: bert-container
           image: swr.cn-north-4.myhuaweicloud.com/container-solution/bert-intent-detection:v1 
           ports: 
           - containerPort: 80
           resources:
             limits:
               volcano.sh/gpu-mem.128Mi: '32'
               volcano.sh/gpu-core.percentage: '20'
             requests:
               volcano.sh/gpu-mem.128Mi: '32'
               volcano.sh/gpu-core.percentage: '20'
         schedulerName: volcano
   
   

   volcano.sh/gpu-mem.128Mi: '32': 显存申请量等于 128Mi x 32=4096Mi=4Gi
   volcano.sh/gpu-core.percentage: '20' : 算力申请量等于整卡算力的20%
   表示当前负载最多只能使用4Gi的显存，算力上限为20%。

2. 查看Pod信息，yaml文件自动生成3条注解，标注了负载使用了4Gi显存,算力可使用整卡算力的20%
   
   容器内执行nvidia-smi 命令查看显卡驱动信息也可发现显存为4Gi

3. 前往宿主机查看GPU资源使用状况
   节点上/proc/xgpu/container 目录下查看相关容器的xGPU的配额，发现可用显存为4Gi，可用算力为20%
   

3.3.3 xGPU兼容GPU共享模式

如果您在集群中已使用nvidia.com/gpu资源的工作负载，可在gpu-device-plugin插件配置中选择“虚拟化节点兼容GPU共享模式”选项，即可兼容Kubernetes默认GPU调度能力。
开启该兼容能力后，使用nvidia.com/gpu配额时等价于开启虚拟化GPU显存隔离，可以和显存隔离模式的工作负载共用一张GPU卡，但不支持和算显隔离模式负载共用一张GPU卡。

1. 创建工作负载app03,yaml如下，使用整卡调度

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: app03
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: app03
     template:
       metadata:
         labels:
           app: app03
       spec:
         containers:
         - name: bert-container
           image: swr.cn-north-4.myhuaweicloud.com/container-solution/bert-intent-detection:v1 
           ports: 
           - containerPort: 80
           resources:
             limits:
               nvidia.com/gpu: 1
             requests:
               nvidia.com/gpu: 1
         schedulerName: volcano
   
   

2. 查看Pod信息，yaml文件中自动生成2条注解，算力可使用整卡百分之100的算力
   

3. 容器内执行 nvidia-smi命令查看显卡驱动信息
   可以发现当我们申请1张GPU整卡时，容器里的显存上限为整卡的显存配额
   

4. 节点上查看/proc/xgpu/container/ 目录下为空，容器使用到整卡的显存和算力资源
   

5. 创建工作负载app04, yaml如下，使用分卡共享调度

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: app04
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: app04
     template:
       metadata:
         labels:
           app: app04
       spec:
         containers:
         - name: bert-container
           image: swr.cn-north-4.myhuaweicloud.com/container-solution/bert-intent-detection:v1 
           ports: 
           - containerPort: 80
           resources:
             limits:
               nvidia.com/gpu: 0.4
             requests:
               nvidia.com/gpu: 0.4
         schedulerName: volcano
   

   注意：兼容Kubernetes默认GPU调度模式时，如使用nvidia.com/gpu: 0.1参数，最终计算后 ，指定的显存值如非128MiB的整数倍时会向下取整，例如：GPU节点上的显存总量为24258MiB，而24258MiB * 0.1 = 2425.8MiB，此时会向下取整至128MiB的18倍，即18 * 128MiB=2304MiB

5. 查看Pod信息，yaml文件自动转换成显存隔离，算力不隔离
   

6. 容器内执行 nvidia-smi 命令查看容器中使用的显卡信息
   可以发现容器中显存配额为整卡百分之40显存资源
   

7. 前往节点 /proc/xgpu/container 目录查看分配的xGPU的信息
   可以发现对应的容器限制效果为:显存隔离生效算力不进行隔离
   

3.3.4 单pod中多个容器(显存隔离)

1. 创建工作负载app05,yaml如下：

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: app05
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: app05
     template:
       metadata:
         labels:
           app: app05
       spec:
         containers:
         - name: bert-container
           image: swr.cn-north-4.myhuaweicloud.com/container-solution/bert-intent-detection:v1 
           ports: 
           - containerPort: 80
           resources:
             limits:
               volcano.sh/gpu-mem.128Mi: '16'
             requests:
               volcano.sh/gpu-mem.128Mi: '16'
         - name: bert-container2
           image: swr.cn-north-4.myhuaweicloud.com/container-solution/bert-intent-detection:v1 
           command:
           - /bin/bash
           args:
           - '-c'
           - while true; do echo hello; sleep 10;done
           ports: 
           - containerPort: 81
           resources:
             limits:
               volcano.sh/gpu-mem.128Mi: '16'
             requests:
               volcano.sh/gpu-mem.128Mi: '16'
         schedulerName: volcano
   
   

2. 查看Pod信息，yaml文件注解中会有两个容器的资源使用2Gi+2Gi
   

3. 容器中执行nvidia-smi命令，查看容器中显存分配信息
   两个容器中各自都看到有2Gi显存的资源
   

   

4. 节点查看 /proc/xgpu/congtainer目录下生成两个容器文件，显存隔离都为2Gi，算力都没有做限制
   

3.4 GPU监控相关指标

1. 查看监控指标需要安装kube-prometheus-stack插件的server模式
   

2. xGPU核心监控指标
   xgpu_memory_total：容器GPU虚拟化显存总量，该指标为container级别
   
   xgpu_memory_used：容器使用GPU虚拟化显存使用量，该指标为container级别
   
   xgpu_core_percentage_total：容器GPU虚拟化算力总量，该指标为container级别，20代表可以使用整卡算力的20%,该指标为container级别
   
   xgpu_core_percentage_used：容器GPU虚拟化算力使用量，该指标为container级别，目前使用量为0
   
   gpu_schedule_policy：GPU虚拟化分三种模式（0：显存隔离算力共享模式、1：显存算力隔离模式、2：默认模式，表示当前卡还没被用于GPU虚拟化设备分配）,该指标为节点级别
   

   多卡场景，gpu_index字段为gpu物理卡的编号
   

   xgpu_device_health：GPU虚拟化设备的健康情况，0：表示GPU虚拟化设备为健康状态；1：表示GPU虚拟化设备为非健康状态。该指标为container级别
   

   其他监控指标请参考：https://support.huaweicloud.com/usermanual-cce/cce_10_0741.html

3.5 升级GPU驱动版本

Nvidia driver驱动程序定期会发布新版本，如果负载需要使用新版本驱动，可以通过CCE AI套件的能力进行驱动版本的更新
1.编辑gpu插件 点击使用获取535.54.03版本的驱动下载链接

https://hgcs-drivers-cn-north-4.obs.cn-north-4.myhuaweicloud.com/release/driver/tesla/NVIDIA-Linux-x86_64-535.54.03.run

2.更改gpu001节点池的下载驱动链接为535.54.03版本

3.插件升级完成后必须手动重启gpu节点才能生效
注意：重启节点会造成该节点上业务中断，需要提前将该节点设置禁止调度，然后扩容该节点上关键业务，再进行驱逐处理，最后重启节点，恢复调度。

节点重启中

节点驱动升级完成

验证：gpu驱动升级成功到535.54.03版本