Usar GPUs para cargas de trabalho de computação intensiva (AKS no Azure Stack HCI 23H2)

Artigo
06/08/2024

Aplica-se a: Azure Stack HCI, versão 23H2

Nota

Para obter informações sobre GPUs no AKS no Azure Stack HCI 22H2, consulte Usar GPUs (HCI 22H2).

As Unidades de Processamento Gráfico (GPU) são usadas para cargas de trabalho de computação intensiva, como aprendizado de máquina, aprendizado profundo e muito mais. Este artigo descreve como usar GPUs para cargas de trabalho de computação intensiva no AKS habilitado pelo Azure Arc.

Modelos de GPU suportados

Os seguintes modelos de GPU são suportados pelo AKS no Azure Stack HCI 23H2:

Fabricante	Modelo de GPU	Versão suportada
NVidia	A2	2311.2
NVidia	A16	2402.0

Tamanhos de VM suportados

Os seguintes tamanhos de VM para cada modelo de GPU são suportados pelo AKS no Azure Stack HCI 23H2.

O Nvidia A2 é suportado por NC2 A2 SKUs

Tamanho da VM	GPUs	Memória GPU: GiB	vCPU	Memória: GiB
Standard_NC4_A2	1	16	4	8
Standard_NC8_A2	1	16	8	16
Standard_NC16_A2	2	48	16	64
Standard_NC32_A2	2	48	32	28

O Nvidia A16 é suportado por NC2 A16 SKUs

Tamanho da VM	GPUs	Memória GPU: GiB	vCPU	Memória: GiB
Standard_NC4_A16	1	16	4	8
Standard_NC8_A16	1	16	8	16
Standard_NC16_A16	2	48	16	64
Standard_NC32_A16	2	48	32	28

Antes de começar

Para usar GPUs no AKS Arc, certifique-se de instalar os drivers de GPU necessários antes de iniciar a implantação do cluster. Siga os passos nesta secção.

Passo 1: instalar o SO

Instale o sistema operacional Azure Stack HCI, versão 23H2 localmente em cada servidor em seu cluster HCI do Azure Stack.

Etapa 2: desinstalar o driver de host NVIDIA

Em cada máquina host, navegue até Adicionar ou Remover programas do Painel de Controle>, desinstale o driver de host NVIDIA e reinicie a máquina. Após a reinicialização da máquina, confirme se o driver foi desinstalado com êxito. Abra um terminal do PowerShell com privilégios elevados e execute o seguinte comando:

Get-PnpDevice  | select status, class, friendlyname, instanceid | findstr /i /c:"3d video"

Você deve ver os dispositivos GPU aparecerem em um estado de erro, conforme mostrado neste exemplo de saída:

Error       3D Video Controller                   PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&32EEF88F&0&0000 
Error       3D Video Controller                   PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&3569C1D3&0&0000

Etapa 3: desmontar o driver de host do host

Quando você desinstala o driver de host, a GPU física entra em um estado de erro. Você deve desmontar todos os dispositivos GPU do host.

Para cada dispositivo GPU (3D Video Controller), execute os seguintes comandos no PowerShell. Copie o ID da instância; Por exemplo, PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&32EEF88F&0&0000 da saída do comando anterior:

$id1 = "<Copy and paste GPU instance id into this string>"
$lp1 = (Get-PnpDeviceProperty -KeyName DEVPKEY_Device_LocationPaths -InstanceId $id1).Data[0]
Disable-PnpDevice -InstanceId $id1 -Confirm:$false
Dismount-VMHostAssignableDevice -LocationPath $lp1 -Force

Para confirmar se as GPUs foram desmontadas corretamente do host, execute o seguinte comando. Você deve colocar GPUs em um Unknown estado:

Get-PnpDevice  | select status, class, friendlyname, instanceid | findstr /i /c:"3d video"

Unknown       3D Video Controller               PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&32EEF88F&0&0000 
Unknown       3D Video Controller               PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&3569C1D3&0&0000

Etapa 4: baixar e instalar o driver de mitigação NVIDIA

O software pode incluir componentes desenvolvidos e de propriedade da NVIDIA Corporation ou de seus licenciantes. O uso desses componentes é regido pelo contrato de licença de usuário final da NVIDIA.

Consulte a documentação do data center da NVIDIA para baixar o driver de mitigação da NVIDIA. Depois de baixar o driver, expanda o arquivo e instale o driver de mitigação em cada máquina host. Você pode seguir este script do PowerShell para baixar o driver de mitigação e extraí-lo:

Invoke-WebRequest -Uri "https://docs.nvidia.com/datacenter/tesla/gpu-passthrough/nvidia_azure_stack_inf_v2022.10.13_public.zip" -OutFile "nvidia_azure_stack_inf_v2022.10.13_public.zip"
mkdir nvidia-mitigation-driver
Expand-Archive .\nvidia_azure_stack_inf_v2022.10.13_public.zip .\nvidia-mitigation-driver\

Para instalar o driver de mitigação, navegue até a pasta que contém os arquivos extraídos e selecione o arquivo de driver de GPU com base no tipo de GPU real instalado em seus hosts HCI do Azure Stack. Por exemplo, se o tipo for GPU A2, clique com o botão direito do mouse no arquivo nvidia_azure_stack_A2_base.inf e selecione Instalar.

Você também pode instalar usando a linha de comando navegando até a pasta e executando os seguintes comandos para instalar o driver de mitigação:

pnputil /add-driver nvidia_azure_stack_A2_base.inf /install 
pnputil /scan-devices

Depois de instalar o driver de mitigação, as GPUs são listadas no estado OK em Nvidia A2_base - Desmontado:

Get-PnpDevice  | select status, class, friendlyname, instanceid | findstr /i /c:"nvidia"

OK       Nvidia A2_base - Dismounted               PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&32EEF88F&0&0000 
OK       Nvidia A2_base - Dismounted               PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&3569C1D3&0&0000

Passo 5: repita os passos 1 a 4

Repita as etapas 1 a 4 para cada servidor no cluster HCI.

Etapa 6: continuar a implantação do cluster HCI do Azure Stack

Continue a implantação do cluster HCI do Azure Stack seguindo as etapas na implantação do Azure Stack HCI, versão 23H2.

Obtenha uma lista de SKUs de VM habilitadas para GPU disponíveis

Quando a implantação do cluster HCI do Azure Stack estiver concluída, você poderá executar o seguinte comando da CLI para mostrar as SKUs de VM disponíveis em sua implantação. Se os drivers da GPU estiverem instalados corretamente, as SKUs de VM da GPU correspondentes serão listadas:

az aksarc vmsize list --custom-location <custom location ID> -g <resource group name>

Criar um novo cluster de carga de trabalho com um pool de nós habilitado para GPU

Atualmente, o uso de pools de nós habilitados para GPU só está disponível para pools de nós Linux. Para criar um novo cluster Kubernetes:

az aksarc create -n <aks cluster name> -g <resource group name> --custom-location <custom location ID> --vnet-ids <vnet ID>

O exemplo a seguir adiciona um pool de nós com 2 nós habilitados para GPU (NVDIA A2) com uma Standard_NC4_A2 SKU de VM:

az aksarc nodepool add --cluster-name <aks cluster name> -n <node pool name> -g <resource group name> --node-count 2 --node-vm-size Standard_NC4_A2 --os-type Linux

Confirme se você pode agendar GPUs

Com o pool de nós da GPU criado, confirme se você pode agendar GPUs no Kubernetes. Primeiro, liste os nós em seu cluster usando o comando kubectl get nodes :

kubectl get nodes

NAME             STATUS  ROLES                 AGE   VERSION
moc-l9qz36vtxzj  Ready   control-plane,master  6m14s  v1.22.6
moc-lhbkqoncefu  Ready   <none>                3m19s  v1.22.6
moc-li87udi8l9s  Ready   <none>                3m5s  v1.22.6

Agora use o comando kubectl describe node para confirmar que as GPUs podem ser agendadas. Na seção Capacidade, a GPU deve aparecer como nvidia.com/gpu: 1.

kubectl describe <node> | findstr "gpu"

A saída deve exibir a(s) GPU(s) do nó de trabalho e ter esta aparência:

Capacity: 
  cpu:                4 
  ephemeral-storage:  103110508Ki 
  hugepages-1Gi:      0 
  hugepages-2Mi:      0 
  memory:             7865020Ki 
  nvidia.com/gpu:     1 
  pods:               110

Executar uma carga de trabalho habilitada para GPU

Depois de concluir as etapas anteriores, crie um novo arquivo YAML para teste; por exemplo, gpupod.yaml. Copie e cole o seguinte YAML no novo arquivo chamado gpupod.yaml e salve-o:

apiVersion: v1
kind: Pod
metadata:
  name: cuda-vector-add
spec:
  restartPolicy: OnFailure
  containers:
  - name: cuda-vector-add
    image: "k8s.gcr.io/cuda-vector-add:v0.1"
    resources:
      limits:
        nvidia.com/gpu: 1

Execute o seguinte comando para implantar o aplicativo de exemplo:

kubectl apply -f gpupod.yaml

Verifique se o pod foi iniciado, concluiu a execução e se a GPU está atribuída:

kubectl describe pod cuda-vector-add | findstr 'gpu'

O comando anterior deve mostrar uma GPU atribuída:

nvidia.com/gpu: 1
nvidia.com/gpu: 1

Verifique o arquivo de log do pod para ver se o teste foi aprovado:

kubectl logs cuda-vector-add

Segue-se um exemplo de saída do comando anterior:

[Vector addition of 50000 elements]
Copy input data from the host memory to the CUDA device
CUDA kernel launch with 196 blocks of 256 threads
Copy output data from the CUDA device to the host memory
Test PASSED
Done

Se você receber um erro de incompatibilidade de versão ao chamar drivers, como "A versão do driver CUDA é insuficiente para a versão de tempo de execução do CUDA", revise o gráfico de compatibilidade da matriz de driver NVIDIA.

FAQ

O que acontece durante a atualização de um pool de nós habilitado para GPU?

A atualização de pools de nós habilitados para GPU segue o mesmo padrão de atualização contínua usado para pools de nós regulares. Para que pools de nós habilitados para GPU em uma nova VM sejam criados com êxito na máquina host física, é necessário que uma ou mais GPUs físicas estejam disponíveis para uma atribuição de dispositivo bem-sucedida. Essa disponibilidade garante que seus aplicativos possam continuar em execução quando o Kubernetes agendar pods nesse nó atualizado.

Antes de atualizar:

Planeje o tempo de inatividade durante a atualização.
Tenha uma GPU extra por host físico se estiver executando o Standard_NK6 ou 2 GPUs extras se estiver executando Standard_NK12. Se você estiver executando em plena capacidade e não tiver uma GPU extra, recomendamos reduzir o pool de nós para um único nó antes da atualização e, em seguida, aumentar após a atualização bem-sucedida.

O que acontece se eu não tiver GPUs físicas extras na minha máquina física durante uma atualização?

Se uma atualização for acionada em um cluster sem recursos adicionais da GPU para facilitar a atualização contínua, o processo de atualização travará até que uma GPU esteja disponível. Se você executar em plena capacidade e não tiver uma GPU extra, recomendamos reduzir o pool de nós para um único nó antes da atualização e, em seguida, aumentar a escala depois que a atualização for bem-sucedida.

Partilhar via