本文介绍GPU常见问题。
阿里云容器服务是否支持GPU虚拟化型（vGPU）实例？
vGPU实例需要购买NVIDIA官方提供的GRID License才能正常工作，而阿里云并不提供License服务器。因此即使您创建了GPU虚拟化集群，vGPU实例也无法使用。因此，阿里云容器服务已不再支持在控制台选择vGPU实例作为集群节点。
不支持的虚拟化GPU实例包括以ecs.vgn5i、ecs.vgn6i、ecs.vgn7i、ecs.sgn7i为前缀的ECS实例。如果您的业务对vGPU实例有强依赖，您可以向NVIDIA购买GRID License，自建License服务器。
更新ACK集群中vGPU实例的NVIDIA驱动License时，需要使用License服务器。
购买ECS实例并参考NVIDIA官网教程搭建License服务器。更多信息，请参见NVIDIA。
如果您的License服务器已经搭建完成，请参考以下步骤将vGPU实例加入ACK集群。
将vGPU实例加入ACK集群
请前往权益配额，申请开放自定义系统镜像功能。
基于CentOS 7.X和Alibaba Cloud Linux 2制作自定义系统镜像，镜像中需要安装NVIDIA GRID驱动并且正确配置GRID License。具体操作，请参见使用实例创建自定义镜像和在GPU虚拟化型实例中安装GRID驱动（Linux）。
创建节点池。具体操作，请参见创建节点池。
将vGPU实例加入到步骤3创建的节点池中，具体操作，请参见添加已有节点。
后续相关步骤：更新ACK集群中vGPU实例的NVIDIA驱动License
更新ACK集群中vGPU实例的NVIDIA驱动License，具体操作，请参见更新ACK集群中GPU虚拟化型（vGPU）实例的NVIDIA驱动License。
如何在已有集群的GPU节点上手动升级Kernel？
下面为您介绍如何在已有集群的GPU节点上手动升级Kernel。
当前kernel版本低于3.10.0-957.21.3。
请确认需要升级的目标kernel版本，并谨慎操作。
本文提供方案并不涉及kernel升级，仅针对在kernel升级的前提下对应的NVIDIA驱动升级。
将GPU节点设置为不可调度（本例以节点 cn-beijing.i-2ze19qyi8votgjz12345为例）。
kubectl cordon cn-beijing.i-2ze19qyi8votgjz12345 node/cn-beijing.i-2ze19qyi8votgjz12345 already cordoned将要升级驱动的GPU节点进行排水。
kubectl drain cn-beijing.i-2ze19qyi8votgjz12345 --grace-period=120 --ignore-daemonsets=true node/cn-beijing.i-2ze19qyi8votgjz12345 cordoned WARNING: Ignoring DaemonSet-managed pods: flexvolume-9scb4, kube-flannel-ds-r2qmh, kube-proxy-worker-l62sf, logtail-ds-f9vbg pod/nginx-ingress-controller-78d847fb96-5fkkw evicted卸载当前的NVIDIA驱动。
说明本步骤中卸载的是版本为384.111的驱动包，如果您的驱动版本不是384.111，则需要在NVIDIA官网下载对应的驱动安装包，并将本步骤中的
384.111替换成您实际的版本。登录到该GPU节点，通过
nvidia-smi查看驱动版本。sudo nvidia-smi -a | grep 'Driver Version' Driver Version : 384.111下载NVIDIA驱动安装包。
sudo cd /tmp/ sudo curl -O https://cn.download.nvidia.cn/tesla/384.111/NVIDIA-Linux-x86_64-384.111.run说明需要在安装包中卸载NVIDIA。
卸载当前NVIDIA驱动。
sudo chmod u+x NVIDIA-Linux-x86_64-384.111.run sudo sh./NVIDIA-Linux-x86_64-384.111.run --uninstall -a -s -q
升级Kernel。
重启GPU机器。
sudo reboot重新登录GPU节点，安装对应的Kernel Devel。
sudo yum install -y kernel-devel-$(uname -r)请到NVIDIA官网下载和安装您需要的NVIDIA驱动。本文以410.79为例。
sudo cd /tmp/ sudo curl -O https://cn.download.nvidia.cn/tesla/410.79/NVIDIA-Linux-x86_64-410.79.run sudo chmod u+x NVIDIA-Linux-x86_64-410.79.run sudo sh ./NVIDIA-Linux-x86_64-410.79.run -a -s -q # warm up GPU sudo nvidia-smi -pm 1 || true sudo nvidia-smi -acp 0 || true sudo nvidia-smi --auto-boost-default=0 || true sudo nvidia-smi --auto-boost-permission=0 || true sudo nvidia-modprobe -u -c=0 -m || true查看 /etc/rc.d/rc.local，确认其中是否包含以下配置，如果没有请手动添加。
sudo nvidia-smi -pm 1 || true sudo nvidia-smi -acp 0 || true sudo nvidia-smi --auto-boost-default=0 || true sudo nvidia-smi --auto-boost-permission=0 || true sudo nvidia-modprobe -u -c=0 -m || true重启kubelet和Docker。
sudo service kubelet stop sudo service docker restart sudo service kubelet start将这个GPU节点重新设置为可调度。
kubectl uncordon cn-beijing.i-2ze19qyi8votgjz12345 node/cn-beijing.i-2ze19qyi8votgjz12345 already uncordoned在GPU节点上的Device Plugin Pod验证版本。
kubectl exec -n kube-system -t nvidia-device-plugin-cn-beijing.i-2ze19qyi8votgjz12345 nvidia-smi Thu Jan 17 00:33:27 2019 +-----------------------------------------------------------------------------+ | NVIDIA-SMI 410.79 Driver Version: 410.79 CUDA Version: N/A | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | |===============================+======================+======================| | 0 Tesla P100-PCIE... On | 00000000:00:09.0 Off | 0 | | N/A 27C P0 28W / 250W | 0MiB / 16280MiB | 0% Default | +-------------------------------+----------------------+----------------------+ +-----------------------------------------------------------------------------+ | Processes: GPU Memory | | GPU PID Type Process name Usage | |=============================================================================| | No running processes found | +-----------------------------------------------------------------------------+说明如果通过
docker ps命令，发现GPU节点没有容器被启动，请参见修复GPU节点容器启动问题。
修复GPU节点容器启动问题
在某些特定Kubernetes版本中的GPU节点上，重启Kubelet和Docker时，发现没有容器被启动。
sudo service kubelet stop
Redirecting to /bin/systemctl stop kubelet.service
sudo service docker stop
Redirecting to /bin/systemctl stop docker.service
sudo service docker start
Redirecting to /bin/systemctl start docker.service
sudo service kubelet start
Redirecting to /bin/systemctl start kubelet.service
sudo docker ps
CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES执行以下命令，查看Docker的Cgroup Driver。
sudo docker info | grep -i cgroup
Cgroup Driver: cgroupfs此时发现的Cgroup Driver类型是cgroupfs。
您可以按照以下操作，修复该问题。
备份/etc/docker/daemon.json，完成后，执行以下命令更新/etc/docker/daemon.json。
sudo cat >/etc/docker/daemon.json <<-EOF { "default-runtime": "nvidia", "runtimes": { "nvidia": { "path": "/usr/bin/nvidia-container-runtime", "runtimeArgs": [] } }, "exec-opts": ["native.cgroupdriver=systemd"], "log-driver": "json-file", "log-opts": { "max-size": "100m", "max-file": "10" }, "oom-score-adjust": -1000, "storage-driver": "overlay2", "storage-opts":["overlay2.override_kernel_check=true"], "live-restore": true } EOF执行以下命令，重启Docker和kubelet。
sudo service kubelet stop Redirecting to /bin/systemctl stop kubelet.service sudo service docker restart Redirecting to /bin/systemctl restart docker.service sudo service kubelet start Redirecting to /bin/systemctl start kubelet.service执行以下命令，确认Docker的Cgroup Driver的类型为systemd。
sudo docker info | grep -i cgroup Cgroup Driver: systemd
裸金属实例节点添加失败怎么办？
由于裸金属实例（ecs.ebmgn7）支持开启MIG。为了避免已有MIG设置对节点部署造成影响，系统会在该类型节点每一次添加进集群时对已有的MIG设置进行重置。由于该类型实例的重置时间不定，可能会出现重置时间过长的情况，从而导致添加节点脚本运行超时添加节点失败。
如果您的该系列节点出现添加失败的情况，请在节点宿主机上执行以下命令：
sudo cat /var/log/ack-deploy.log在输出结果中查看添加失败的报错位置，是否有以下报错：
command timeout: timeout 300 nvidia-smi --gpu-reset如果存在则说明，添加节点失败是由MIG的reset引起的。请重新添加该节点，详细信息，请参见添加已有节点。
Alibaba Cloud Linux 3运行GPU容器出现Failed to initialize NVML: Unknown Error的问题怎么办？
问题现象
在Alibaba Cloud Linux 3上执行systemctl daemon-reload、systemctl daemon-reexec等操作后，在GPU容器内部无法正常使用GPU设备，具体表现为在GPU容器内部执行nvidia-smi会出现如下报错。
sudo nvidia-smi
Failed to initialize NVML: Unknown Error问题原因
在Alibaba Cloud Linux 3上使用systemd时会有如下行为：在执行systemctl daemon-reload、systemctl daemon-reexec等操作时，会更新cgroup相关配置，进而影响NVIDIA GPU设备在容器中的正常使用。更详细的信息，请参见社区相关的issue1671、48。
解决方案
如果出现上述问题，您可以参考如下情况描述和对应方法，结合自身业务要求，尝试解决。
情况一：如果您的应用Pod申请GPU资源的方式是通过为容器设置环境变量NVIDIA_VISIBLE_DEVICES=all实现，您可以评估能否给该应用容器添加一个privileged权限，privileged权限的添加可以参考以下示例。
apiVersion: v1 kind: Pod metadata: name: test-gpu-pod spec: containers: - name: test-gpu-pod image: centos:7 command: - sh - -c - sleep 1d securityContext: # 为容器添加privilege权限 privileged: true情况二：对于使用共享GPU调度的应用，目前建议使用Alibaba Cloud Linux 2或CentOS 7。
情况三：重建该应用Pod。但在执行该操作前，您需要评估重建该应用Pod是否会对您的业务造成影响，并且该方案并不能保证重建后的Pod不会再出现该问题。
情况四：如果以上情况都不适用，可以评估您的业务能否使用其他操作系统，例如：Alibaba Cloud Linux 2或者CentOS 7。
使用GPU时出现XID 119/XID 120错误导致GPU掉卡怎么办？
问题现象
使用GPU时出现GPU掉卡现象，例如在Linux系统上使用GPU时，出现GPU卡启动失败的错误提示。执行
sh nvidia-bug-report.sh命令后，在生成的日志中，可以看到XID 119或XID 120错误信息。以XID 119报错页面为例，显示如下：
说明关于其他XID Error的更多信息，请参考NVIDIA Common XID Errors。
可能原因
引起上述问题的原因可能是GPU的GSP（GPU System Processor）组件运行状态异常。目前，NVIDIA并未提供某个驱动版本来彻底解决GPU的掉卡问题，因此建议您在使用GPU卡之前先关闭GSP功能。
说明如果您想了解更多关于GSP功能的影响详情，请参见开启或关闭GSP功能的影响。
解决方案
以下根据不同场景说明如何关闭GSP。
扩容新节点
您可以新建节点池或编辑已有节点池的配置，在高级配置中为节点池配置标签
ack.aliyun.com/disable-nvidia-gsp=true。后续扩容新节点时，ACK会自动在该节点上设置关闭GSP所需的配置。
说明关闭GSP相关步骤可能会造成扩容节点的时延增加。
添加已有节点
管理集群中已有节点
您可以通过以下方式在已有节点中关闭GSP。
通过节点池标签方式关闭GSP
为节点所在节点池配置标签
ack.aliyun.com/disable-nvidia-gsp=true。操作入口和节点池配置项说明，请参见编辑节点池。
将该节点移除集群，但不释放ECS。具体操作，请参见移除节点。
以添加已有节点的方式将已移除的节点重新添加到集群中。操作入口和相关注意事项，请参见添加已有节点。
登录节点手动执行关闭GSP
如果您的节点无法通过移除集群再添加到集群方式来关闭GSP，那么您可以登录节点，手动执行关闭GSP的步骤。具体操作，请参见使用GPU时出现XID 119/XID 120错误导致GPU掉卡怎么办？。
说明NVIDIA驱动在510版本引入了GSP。例如，如果您需要登录节点，手动将驱动由470升级至525版本，那么您在470版本时无需关闭GSP，但升级至525版本后，有可能会触发GSP缺陷。请在升级驱动完成后，参见使用GPU时出现XID 119/XID 120错误导致GPU掉卡怎么办？手动执行关闭GSP的步骤。