阿里云容器服务ACK节点与节点池FAQ-云淘科技

• 如何在已有集群的GPU节点上手动升级Kernel？

• 修复GPU节点容器启动问题

• 添加Kubernetes集群节点的常见问题

• 移除节点时提示”drain-node job execute timeout”错误

• 如何更改ACK集群中Worker节点的主机名称？

• 如何更换节点池OS镜像？

• 开启期望节点数与未开启期望节点数的节点池有什么不同？

• 如何将已有的节点添加到集群？

• 如何在节点池中选用抢占性实例？

• 如何更改节点Pod数量？

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。

说明

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。

1. 获取集群KubeConfig并通过kubectl工具连接集群。

2. 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

3. 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

4. 卸载当前的nvidia-driver。

   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。

   1. 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

   2. 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。

   3. 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

5. 升级Kernel。

   您可以根据需要升级Kernel。

6. 重启GPU机器。

   sudo reboot

7. 重新登录GPU节点，安装对应的kernel devel。

   sudo yum install -y kernel-devel-$(uname -r)

8. 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

9. 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

10. 重启kubelet和docker。

    sudo service kubelet stop
    sudo service docker restart
    sudo service kubelet start

11. 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

12. 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。

1. 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

2. 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

3. 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

如何更改ACK集群中Worker节点的主机名称？

集群创建完成后，不支持自定义Worker节点的主机名称，但是您可以通过节点池的节点命名规则来修改Worker节点的主机名称。

说明

创建集群时，您可以在自定义节点名称参数中定义Worker节点的主机名称。具体操作，请参见创建Kubernetes托管版集群。

1. 移除节点。

   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. 在集群管理页左侧导航栏，选择节点管理 > 节点。

   4. 在节点页面单击目标节点右侧操作列下的更多 > 移除。

   5. 在弹出的对话框中选中我已了解上述说明，确认移除节点，然后单击确定。

2. 将移除的节点再添加到节点池。具体操作，请参见手动添加节点。

   添加的节点将根据节点池的节点命名规则进行命名。

如何更换节点池OS镜像？

更换节点池OS镜像的方法与升级节点池的方法一致，以下为详细操作步骤。

1. 登录容器服务管理控制台，在左侧导航栏选择集群。

2. 在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择节点管理 > 节点池。

3. 在目标节点池所在行，单击操作列的更多 > 升级。

4. 选中更换操作系统，选择要替换的镜像，然后单击开始升级。

   说明

   更换操作系统时，默认选中Kubelet升级和通过替换节点系统盘的方式升级节点池。请根据实际情况，确认是否选中升级前为节点建立快照。

开启期望节点数与未开启期望节点数的节点池有什么不同？

期望节点数是指节点池应该维持的节点数量。您可以通过调整期望节点数，达到扩容或缩容节点池的目的。但部分老节点池没有设置过期望节点数，从而未开启期望节点数功能。

开启或未开启期望节点数的节点池对于移除节点、释放ECS等不同的操作方式，会有不同感知，具体如下表。

如何将已有的节点添加到集群？

当您希望将已有节点加入到集群中却没有节点池时，您可以创建一个0节点的节点池，然后手动添加已有ECS为节点。创建0节点的节点池时，选择和您已有的ECS相同的虚拟交换机，并将期望节点数设置为0。手动添加已有ECS为节点，请参见添加已有节点。

说明

每个节点池对应一个弹性伸缩组实例，节点池本身不额外收费，但节点池使用的ECS实例等云资源由对应的云产品计费。

如何在节点池中选用抢占性实例？

可以通过新建节点池或者spot-instance-advisor命令行的方式使用抢占性实例。详细信息请参见抢占式实例节点池最佳实践。

说明

不支持在创建集群时，进行节点池配置中选择抢占性实例。