全部产品
Search
文档中心

容器服务 Kubernetes 版 ACK:云原生AI套件管理员运维指南

更新时间:May 15, 2023

当部署一个云原生AI集群之后,集群管理员需要对集群资源进行划分,并从多个维度查看集群资源的使用情况,以便及时做出调整,使集群达到最佳的利用率。本文介绍云原生AI集群的基本运维操作,包括安装AI套件、查看资源大盘、管理用户和配额。

背景信息

当部署一个云原生AI集群之后,集群管理员需要对集群资源进行划分,管理多个项目组,并可以多个维度查看集群资源的使用情况,以便及时做出调整,使集群达到最佳的利用率。

当集群中有多个用户时,为了保障用户有足够的资源使用,管理员会将集群的资源固定分配给不同的用户。传统的方法是通过Kubernetes原生的ResourceQuota方式进行固定资源的分配。但由于小组之间资源忙闲不一,为了集群整体利用率达到最高,需要在确保用户的资源分配的基础上通过资源共享的方式来提升整体资源的利用率。

以下图的公司组织结构为例,您可以根据具体情况,配置多个层级的弹性配额。图中每个叶子结点,可对应一个用户组,通过给用户组中的用户分配不同的namespace和role,可以将权限管理和配额管理分开。既可以在组间共享资源,又可以在组内实现隔离。

orgchart

前提条件

  • 已创建ACK Pro版集群,且在组件配置页面,需要选中监控插件和日志服务。具体操作,请参见创建ACK Pro版集群
  • ACK Pro版集群的Kubernetes版本不低于1.18。

目标任务

本指南将指导您完成以下目标任务:
  • 安装云原生AI套件。
  • 查看资源大盘。
  • 以组为单位分配集群配额。
  • 管理用户和用户组。
  • 利用集群空闲资源,提交超出至少可用资源的工作负载。
  • 限制用户使用的最大资源配额。
  • 保证用户随时可用的资源配额。

步骤一:安装云原生AI套件

云原生AI套件作为一款插件化的工具集,包括任务弹性、数据加速、AI任务调度、AI任务生命周期管理、集群运维控制台、端到端研发控制台等组件。您可以根据实际需要自由选择安装。

部署云原生AI套件

  1. 登录容器服务管理控制台
  2. 在控制台左侧导航栏,单击集群
  3. 集群列表页面,单击目标集群名称或者目标集群右侧操作列下的详情
  4. 在集群管理页左侧导航栏,选择应用 > 云原生AI套件
  5. 云原生AI套件页面,单击一键部署
  6. 在部署页面,根据需要选中相应的组件。
    部分配置项说明如下:
    配置项说明
    弹性选择是否开启弹性训练弹性推理功能。
    加速选择是否开启Fluid数据加速功能。
    调度选择是否开启调度组件(批量任务调度、GPU共享、GPU拓扑感知、NPU调度)功能。您也可以单击高级配置,自定义参数配置。
    交互方式
    • Arena命名行(必选):默认必选组件。您也可以单击高级配置,自定义参数配置。
    • 控制台:选择部署PAI轻量化控制台或云原生AI套件自带的控制台,选中控制台后,会出现提示对话框,关于配置详情,请参见安装配置云原生AI控制台
    工作流选中Kubeflow Pipelines后,您可以选择工作流数据存储方式为集群内置MinIO阿里云OSS。关于配置详情,请参见安装配置工作流
    控制台数据存储交互方式选中控制台后,您可以选择控制台数据存储方式为集群内置MySQL阿里云RDS。关于配置详情,请参见控制台数据存储
    监控选择是否安装监控组件
  7. 单击页面下方的部署云原生AI套件,开始检查环境和依赖项,检查通过后,自动部署选择的组件。
    组件安装成功后,在组件列表页面:
    • 您可以看到当前集群中已经安装的组件名称、版本等信息,并能对组件进行部署卸载操作。
    • 如果已安装的组件有新版本的话,还可以对组件进行升级操作。
    • 如果您已安装云原生AI运维控制台组件(ack-ai-dashboard)和云原生AI开发控制台组件(ack-ai-dev-console)后,可以在云原生AI套件页面左上方看到运维控制台开发控制台,单击相应控制台可直接进行访问。控制台

安装配置云原生AI运维控制台

  1. 在云原生AI套件部署页面的交互方式区域,选中控制台,弹出提示对话框。
    • 如果授权状态为红色的未授权,且确定按钮为不可用状态,请执行步骤2提示框
    • 如果授权状态为已授权,请执行步骤3
  2. 单击提示对话框中的授权策略链接。
    1. 权限管理页签中,单击目标授权策略名称。
    2. 策略内容页签中,单击修改策略内容,在修改策略内容面板的策略内容区域,将以下策略添加至Action字段中。
      "ecs:DescribeInstances",
      "ecs:DescribeSpotPriceHistory",
      "ecs:DescribePrice",
      "eci:DescribeContainerGroups",
      "eci:DescribeContainerGroupPrice",
      "log:GetLogStoreLogs",
      "ims:CreateApplication",
      "ims:UpdateApplication",
      "ims:GetApplication",
      "ims:ListApplications",
      "ims:DeleteApplication",
      "ims:CreateAppSecret",
      "ims:GetAppSecret",
      "ims:ListAppSecretIds",
      "ims:ListUsers"
    3. 添加完成后,单击继续编辑基本信息,然后单击确定
      返回提示对话框,单击授权检测。如果授权成功,授权状态显示为已授权,且确定按钮可用。请执行步骤3已授权
  3. 选择控制台数据存储方式。
    本文以选择集群内置MySQL为例进行说明,实际使用时可替换为阿里云RDS。详细说明,请参见安装配置云原生AI控制台
  4. 单击部署云原生AI套件
    待运维控制台处于Ready状态后,即可正常使用。

初始化数据集(可选)

管理员可按照算法开发人员的需求,创建和加速数据集。这里演示如何通过运维控制台或命令行创建数据集。

fashion-mnist数据集

管理员通过Kubectl命令行在可以访问集群的机器,新建OSS类型的PV和PVC。

  1. 根据以下YAML示例创建PV和PVC。
    apiVersion: v1
    kind: PersistentVolume
    metadata:
      name: fashion-demo-pv
    spec:
      accessModes:
      - ReadWriteMany
      capacity:
        storage: 10Gi
      csi:
        driver: ossplugin.csi.alibabacloud.com
        volumeAttributes:
          bucket: fashion-mnist
          otherOpts: "-o max_stat_cache_size=0 -o allow_other"
          url: oss-cn-beijing.aliyuncs.com
          akId: "AKID"
          akSecret: "AKSECRET"
        volumeHandle: fashion-demo-pv
      persistentVolumeReclaimPolicy: Retain
      storageClassName: oss
      volumeMode: Filesystem
    ---
    apiVersion: v1
    kind: PersistentVolumeClaim
    metadata:
      name: fashion-demo-pvc
      namespace: demo-ns
    spec:
      accessModes:
      - ReadWriteMany
      resources:
        requests:
          storage: 10Gi
      selector:
        matchLabels:
          alicloud-pvname: fashion-demo-pv
      storageClassName: oss
      volumeMode: Filesystem
      volumeName: fashion-demo-pv
  2. 确认PV和PVC状态。
    1. 执行以下命令,确认PV状态。
      kubectl get pv fashion-mnist-jackwg

      预期输出:

      NAME                   CAPACITY   ACCESS MODES   RECLAIM POLICY   STATUS   CLAIM                          STORAGECLASS   REASON   AGE
      fashion-mnist-jackwg   10Gi       RWX            Retain           Bound    ns1/fashion-mnist-jackwg-pvc   oss                     8h
    2. 执行以下命令, 确认PVC状态。
      kubectl get pvc fashion-mnist-jackwg-pvc -n ns1
      预期输出:
      NAME                       STATUS   VOLUME                 CAPACITY   ACCESS MODES   STORAGECLASS   AGE
      fashion-mnist-jackwg-pvc   Bound    fashion-mnist-jackwg   10Gi       RWX            oss            8h

创建加速数据集

管理员可通过AI运维控制台加速目标数据集。本示例介绍如何对demo-ns命名空间下的fashion-demo-pvc数据集进行加速。

  1. 使用管理员账号访问AI运维控制台
  2. 在AI运维控制台左侧导航栏中,选择数据集 > 数据集列表
  3. 数据集列表页面,单击目标数据集右侧操作列的一键加速
    加速后的数据集如下图所示:加速数据集

步骤二:查看资源大盘

云原生AI套件中的运维控制台,提供了集群资源大盘,可多维度查看集群实时使用情况,方便调优集群资源分配,优化集群资源使用率。

集群监控大盘

打开云原生AI运维控制台后,默认进入的是集群监控大盘页面。集群监控大盘可供您查看以下指标:
  • GPU Summary Of Cluster:展示集群中总的GPU节点数、已分配的GPU节点数、不健康的GPU节点数。
  • Total GPU Nodes:集群中总的GPU节点数。
  • Unhealthy GPU Nodes:不健康的GPU节点数。
  • GPU Memory(Used/Total):集群已使用GPU显存与总的GPU显存的百分比。
  • GPU Memory(Allocated/Total):集群已分配GPU显存与总的GPU显存百分比。
  • GPU Utilization:集群GPU的平均利用率。
  • GPUs(Allocated/Total):集群已分配GPU卡的个数与总的GPU卡数的百分比。
  • Training Job Summary Of Cluster:集群中各种状态(Running、Pending、Succeeded、Failed)的训练任务数。

节点监控大盘

在集群监控大盘页面,单击右上角的Nodes,进入节点监控大盘。节点监控大盘可供您查看以下指标:
  • GPU Node Details:以表格的形式展示集群节点的相关信息,包括:节点名称(Name)、节点在集群中的IP(IP)、节点在集群中的角色(Role)、节点的状态(Status)、GPU模式:独占或共享(GPU Mode)、节点拥有GPU卡的个数(Total GPUs)、节点拥有总的GPU显存(Total GPU Memory)、节点已分配GPU卡数(Allocated GPUs)、节点已分配GPU显存(Allocated GPU Memory)、节点已使用GPU显存(Used GPU Memory)、节点GPU平均使用率(GPU Utilization)。
  • GPU Duty Cycle:每个节点的每个GPU的使用率。
  • GPU Memory Usage:每个节点的每个GPU的显存使用量。
  • GPU Memory Usage Percentage:每个节点的每个GPU的显存使用百分比。
  • Allocated GPUs Per Node:每个节点已分配的GPU卡数。
  • GPU Number Per Node:每个节点的总GPU卡数。
  • Total GPU Memory Per Node:每个节点的总GPU显存。

训练任务监控大盘

在节点监控大盘页面,单击右上角TrainingJobs,进入训练任务的监控大盘。训练任务监控大盘可供您查看以下指标:
  • Training Jobs:通过表格的形式展示各个训练任务的情况,包括:训练任务所在命名空间(Namespace)、训练任务名称(Job Name)、训练任务类型(Job Type)、训练任务状态(Job Status)、训练任务持续时间(Duration)、训练任务请求GPU卡数(Request GPUs)、训练任务请求的GPU显存(Allocated GPU Memory)、训练任务当前使用的GPU显存(Used GPU Memory)、训练任务的GPU平均利用率(GPU Utilization)。
  • Job Instance Used GPU Memory:训练任务中的各个实例的已使用GPU显存。
  • Job Instance Used GPU Memory Percentage:训练任务中各个实例使用GPU显存的百分比。
  • Job Instance GPU Duty Cycle:训练任务中各个实例的GPU利用率。

资源配额监控大盘

在训练任务监控大盘页面,单击右上角的Quota,进入资源配额监控大盘。资源配额监控大盘可供您查看以下指标:Quota(cpu)、Quota(memory)、Quota(nvidia.com/gpu)、Quota(aliyun.com/gpu-mem)、Quota(aliyun.com/gpu)。每一个指标都以表格的形式展示以下资源配额的相关信息:
  • Elastic Quota Name:资源配额的名称。
  • Namespace:资源所属的Namespace。
  • Resource Name:资源类型的名称。
  • Max Quota:您在某个Namespace下某种资源所使用的上限。
  • Min Quota:当整个集群资源紧张时,您在某个Namespace下可以使用的保障资源。
  • Used Quota: 您在某个Namespace下,某种资源的已使用值。

步骤三:管理用户和配额

云原生AI套件通过用户(User)、用户组(UserGroup)、配额树(QuotaTree)/配额节点(QuotaNode)、K8s Namespace等实体,管理用户和配额。这些概念的关联关系,如下图所示。概念关系
  • 配额树是配置多层级约束的资源,供Capacity Scheduling Plugin使用。可以确保用户资源分配的基础上通过资源共享的方式来提升集群的整体资源利用率。
  • 云原生AI套件的用户一一对应一个K8s ServiceAccount,是提交任务和登录控制台的凭证。用户根据用户类型确定权限,其中admin负责运维集群,可登录运维控制台;researcher负责提交任务,使用集群资源,可登录开发控制台;admin包含researcher的所有权限。
  • 用户组是资源分配的最小单位,并与QuotaTree的叶子结点一一对应。用户必须关联用户组,才能使用与之关联的配额资源。

本步骤将介绍如何通过配额树来配置多层级的配额约束、通过用户组来分配配额给组用户以及通过提交简单的任务,演示cpu资源的弹性借还。

添加配额节点,并限定资源使用额度

配额是通过设置各资源的Min/Max来配置额度,其中Min表示有保障的资源数量(Guaranteed Resource),Max表示最大可用的资源数。把namespace挂载在配额树的叶子节点,就意味着namespace受根节点到当前叶子结点路径上的所有约束。

  1. 如果namespace不存在,需要提前手动创建namespace。如果namespace已存在,需要保证namespace下没有Running的Pod。
    kubectl create ns namespace1
    kubectl create ns namespace2
    kubectl create ns namespace3
    kubectl create ns namespace4
  2. 创建配额节点,并关联namespace。

创建用户和用户组

用户和用户组是多对多的关系,一个用户可以属于多个用户组,一个用户组也以可有多个用户。您可以通过用户关联用户组,也可以通过用户组关联用户。通过配额树和用户组,可以方便的根据实际项目组划分资源,分配权限。

  1. 创建用户。具体操作请参见为新增用户生成KubeConfig和登录Token
  2. 创建用户组。具体操作请参见新增用户组

Capacity调度功能演示

本演示将通过创建CPU Pod,演示Capacity调度功能如何借用和抢占资源,从而保证每个配额节点的Min和Max约束。演示的设计流程如下所示:
  1. 通过配置root节点的Min和Max均为40,使得配额树整体拥有资源40核CPU。
  2. 使root.a和root.b均分CPU资源,各保障有20核,最大可利用40核。
  3. root.a.1、root.a.2及root.b.1、root.b.2,各保障10核,最大可利用20核。
  4. 通过提交一个5副本的任务(5副本 x 5核/副本=25核)到namespace1,预期可成功运行4个副本(4副本 x 5核/副本=20核),即root.a.1的Max(最大可用配额)。
  5. 通过提交一个5副本的任务(5副本 x 5核/副本=25核)到namespace2, 预期可成功运行4个副本(4副本 x 5核/副本=20核),即root.a.2的Max(最大可用配额)。
  6. 通过提交一个5副本的任务(5副本 x 5核/副本=25核)到namespace3,预期可成功运行2个副本(2副本 x 5核/副本=10核),即root.b.1的Min(最少可用配额)。这时调度器会综合优先级、可用性以及创建时间等因素,选择root.a下相应的Pod抢占,归还之前抢占的资源。考虑到公平性,root.a.1和root.a.2的pod会分别被抢占一个。这时namespace1和namespace2下分别有3个副本(皆为:3副本 x 5核/副本=15核)
  7. 通过提交一个5副本的任务(5副本 x 5核/副本=25核)到namespace4,预期可成功运行2个副本(2副本 x 5核/副本=10核),即root.b.2的Min(最少可用配额)。这时调度器会综合优先级、可用性以及创建时间等因素,选择root.a下相应的Pod抢占,归还之前抢占的资源。考虑到公平性,root.a.1和root.a.2的pod会分别被抢占一个。这时namespace1和namespace2下分别有2个副本(皆为:2副本 x 5核/副本=10核)。

具体操作步骤如下所示。

  1. 新建namespace及配额树。
    1. 执行以下命令,分别创建四个对应的Namespace。
      已创建namespace1为例:
      kubectl create ns namespace1
    2. 根据下图,建立配额树。
      orgchart2
  2. 使用以下YAML文件样例,在namespace1中部署服务,Pod的副本数为5个,每个Pod请求CPU资源量为5核。
    如果没有弹性配额,用户最多只能使用10核(cpu.min=10),也就是建立2个副本。但在弹性配额Capacity调度下:
    • 当集群有空闲的40核CPU时,可以创建4个副本(4副本 x 5核/副本=20核)。
    • 最后一个副本因为超出最大资源限制(cpu.max=20),处于Pending状态。
    apiVersion: apps/v1
    kind: Deployment
    metadata:
      name: nginx1
      namespace: namespace1
      labels:
        app: nginx1
    spec:
      replicas: 5
      selector:
        matchLabels:
          app: nginx1
      template:
        metadata:
          name: nginx1
          labels:
            app: nginx1
        spec:
          containers:
          - name: nginx1
            image: nginx
            resources:
              limits:
                cpu: 5
              requests:
                cpu: 5
  3. 使用以下YAML文件样例,在namespace2中部署服务,Pod的副本数为5个,每个Pod请求CPU资源量为5核。
    如果没有弹性配额,用户最多只能使用10个cpu(cpu.min=10),只能建立2个副本。但在弹性配额Capacity调度下:
    • 在集群资源有20核(40核-namespace1中的20核)空闲,可以创建4个副本(4副本 x 5核/副本=20核)。
    • 最后一个副本因为超出最大资源限制(cpu.max=20),处于Pending状态。
    • 此时集群中namespace1和namespace2中的Pod所占用的资源已经为root设置的root.max.cpu=40。
    apiVersion: apps/v1
    kind: Deployment
    metadata:
      name: nginx2
      namespace: namespace2
      labels:
        app: nginx2
    spec:
      replicas: 5
      selector:
        matchLabels:
          app: nginx2
      template:
        metadata:
          name: nginx2
          labels:
            app: nginx2
        spec:
          containers:
          - name: nginx2
            image: nginx
            resources:
              limits:
                cpu: 5
              requests:
                cpu: 5
  4. 使用以下YAML文件样例,在namespace3中部署服务,其中Pod的副本数为5个,每个Pod请求CPU资源量为5核。
    • 集群无资源空闲,但是为了保障root.b.1的Min(最少可用配额),需要抢占root.a中的pod归还10核。
    • 调度器会综合考虑root.a下作业的优先级、可用性以及创建时间等因素,选择相应的Pod归还之前抢占的资源(10核)。因此,nginx3得到配额min.cpu=10的资源量后,有2个Pod处于Running状态,其他3个仍处于Pending状态。
    • root.a被抢占后,namespace1下有2个pod处于Running,3个处于Pending;namespace2下也有2个pod处于Running,3个处于Pending。
    apiVersion: apps/v1
    kind: Deployment
    metadata:
      name: nginx4
      namespace: namespace4
      labels:
        app: nginx4
    spec:
      replicas: 5
      selector:
        matchLabels:
          app: nginx4
      template:
        metadata:
          name: nginx4
          labels:
            app: nginx4
        spec:
          containers:
          - name: nginx4
            image: nginx
            resources:
              limits:
                cpu: 5
              requests:
                cpu: 5
    通过以上演示,有效验证了Capacity调度在弹性分配资源中的优势。