Kubernetes GPU Operator と CUDA の併用について
Kubernetes で NVIDIA の GPU を使うときのお話です。
この記事は、Kubernetes Advent Calendar 5日目の記事です。
サマリ
- NVIDIA GPU Operator を使うと、 Kubernetes で NVIDIA GPU を使うときのセットアップが簡単になるよ。
- コンテナによって、 CUDA Toolkit のバージョンを変えられるので、環境変数で切り替えたりしなくてよくなるよ。
イントロ
NVIDIA の GPU を使うときは、 CUDA と呼ばれるソフトウェアを使用することが一般的と思います。
その CUDA は 主に、 Driver と Toolkit で成り立っており、「GPUの型番」、「Driverのバージョン」、「Toolkitのバージョン」の 整合性があっていないと、利用できない代物です。
また、機械学習のライブラリでは、要件となる Toolkit のバージョンが決まっており、決められたバージョン以上の Toolkit を 使用できる環境を準備するのが望ましいです。 たとえば、 PyTorch の最新 v1.10 では CUDA Toolkit 11.3 、 TensorFlow の最新 v2.7.0 では、 CUDA Toolkit 11.2 となっています。
コンテナで NVIDIA GPU を使うには
CUDA はハードウェアにも密接に関連するソフトウェアです。それをコンテナで使用する場合のインストール先のすみ分けは以下のようになります。
- CUDA Toolkit はコンテナにインストール
- CUDA Driver はホストにインストール
そして、コンテナを起動するときに、 Driver などを利用可能にしてくれるのが、 NVIDIA Container Toolkit というソフトウェアです。 (名前が紛らわしいかもしれませんが、CUDA Toolkit とは別物です。)
さらに、Kubernetes で CUDA を使って、マニフェストで、 GPU を resource 指定できるようにするために、 NVIDIA device plugin が必要です。
NVIDIA GPU Operator
ここまでの複雑なセットアップを簡易にしたのが NVIDIA GPU Operator です。
NVIDIA GPU Operator は、 Helm でインストールでき、インストールすると、 ClusterPolicy という Custom Resource が定義されます。
ClusterPolicy をデプロイすると、GPUの利用に必要な以下のコンポーネントが DaemonSet として起動します。
- Node Feature Discovery: Kubernetes の各ノードの情報をノードの label に付与してくれます。この label で NVIDIA の GPU が搭載されているノードを特定できます。
- NVIDIA Driver DaemonSet: ノードのディレクトリをマウントして、 Driver をインストールしてい（ると思い）ます。
- NVIDIA Container Toolkit: Driver をコンテナにマウントしたりします。
- NVIDIA Device Plugin: Pod から要求されたリソースを割り当てたりします。
- GPU Feature Discovery: ノードで利用可能なGPUの情報をノードの label に付与してくれます。
- NVIDIA DCGM(Data Center GPU Manager) Exporter: GPU の使用状況をモニタリング・収集し、Prometheus などで利用可能なように公開しています。
これにより、ノード側のGPUのセットアップは完了し、手動での、Driverのインストール などは不要になります。
あとは、Pod で以下のように、 resource 指定をすれば、 Pod で GPU が使用できます。
resources:
limits:
nvidia.com/gpu: 1なお、GPUは limit でのみ指定されることが想定されています。この制限は、次のことを意味します。
- Kubernetesはデフォルトで
limitsの値をrequestsの値として使用するため、GPUのrequestsを省略してlimitsを指定できます。 - GPUを
limitsとrequestsの両方で指定できるが、これら2つの値は等しくなければなりません。 - GPUの
limitsを省略してrequestsだけを指定することはできません。
Kubernetes での GPU 利用時の制限
GPU Operator で GPU を使えるようになりますが、以下の制限があります。
- コンテナ(およびPod)はGPUを共有できません。GPUのオーバーコミットはできません。
- Kubernetesでない環境では、複数プロセスでGPUを使用することができますが、
Kubernetes では、GPUをリソース
limitsで指定するために、オーバーコミットができなくなります。
- Kubernetesでない環境では、複数プロセスでGPUを使用することができますが、
Kubernetes では、GPUをリソース
- 各コンテナは1つ以上のGPUをリクエストできます。1つのGPUの一部だけをリクエストすることはできません。
- CPUのように小数で指定することはできません。
このように、Kubernetes では、GPU を必要以上に割り当ててしまう懸念があります。
NVIDIA GPU の Ampere シリーズでは、この課題に対処するため、1つのGPUを複数のGPUに分割する Multi Instance GPU (MIG) という機能があります。 MIG は GPU Operator でも利用することができます。(この記事では、MIGの詳細は割愛いたします)
CUDA の互換性
CUDA Driver は上記の通り、GPU Operator によってセットアップされるため、 Kubernetes Cluster で統一されたバージョンとなります。
そして、CUDA Driver と、コンテナにセットアップする CUDA Toolkit には以下の互換性があります。
- 第一に、ある CUDA Toolkit バージョンのすべての機能を利用するために必要な CUDA Driver のバージョンが決まっています。
- たとえば、最新の CUDA Toolkit 11.5 を Linux で使用したい場合、 CUDA Driver の 495.29.05 以上が必要ということになります。
- 見方を変えると、最新の CUDA Driver でも、 多少古い CUDA Toolkit は使用できるということになります。
- (限度はありますが、ひとまず、よほど古くなければ大丈夫くらいで、この場はスルーさせてください)
- 第二に、CUDA Toolkit は機能を制限することを条件に、多少古い CUDA Driver でも利用することができます。
- 最新の CUDA Toolkit 11.5 では、すべての機能を使うためには、 Driver 495.29.05 が必要ですが、Linux では Driver 450.80.02 があれば、 Toolkit 11.2 相当の機能で動作することができます。
基本的に、 CUDA Driver のバージョンが新しいことにデメリットはありませんので、 GPU Operator も最新のバージョンを利用することが良いと思います。
併用可能な CUDA のバージョン
まとめると GPU Operator を使用すると、以下のように、複数バージョンの CUDA Toolkit が、環境変数の変更等なしに 利用できます。
異なる CUDA Toolkit の利用 (コンテナなしの場合)
参考までに、コンテナを使用しない環境で、複数の CUDA Toolkit を利用したい際には、
OS に複数の CUDA Toolkit をインストールし、以下の要領で使用する CUDA Toolkit のバージョンを切り替えることができます。
- 環境変数
LD_LIBRARY_PATHで 使用する CUDA Toolkit を指定します。- たとえば、
/usr/local/cuda-11.2/lib64と/usr/local/cuda-11.3/lib64を切り替えて使う方法です。
- たとえば、
- 環境変数
LD_LIBRARY_PATHは/usr/local/cuda/lib64で固定し、update-alternativesコマンドで切り替える方法です。- この方法だと、複数バージョンの同時利用は難しそうです。