Uso de UltraServers P6e-GB200 con Amazon EKS

Cree un archivo de valores de Helm denominado gpu-operator-values.yaml con la configuración siguiente.

devicePlugin:
  enabled: true
nfd:
  enabled: true
gfd:
  enabled: true
driver:
  enabled: false
toolkit:
  enabled: false
migManager:
  enabled: false

Instale el operador de GPU de NVIDIA para el clúster con el archivo gpu-operator-values.yaml creado en el paso anterior.

helm repo add nvidia https://helm.ngc.nvidia.com/nvidia
helm repo update

helm install gpu-operator nvidia/gpu-operator \
 --namespace gpu-operator \
 --create-namespace \
 --version v25.3.4 \
 --values gpu-operator-values.yaml

Cree un archivo de valores de Helm denominado dra-values.yaml con la configuración siguiente. Tenga en cuenta nodeAffinity y tolerations que configuran el controlador de DRA para implementar solo en nodos con una GPU de NVIDIA.

resources:
  gpus:
    enabled: false # set to false to disable experimental gpu support
  computeDomains:
    enabled: true

controller:
  nodeSelector: null
  affinity: null
  tolerations: []

kubeletPlugin:
  affinity:
    nodeAffinity:
      requiredDuringSchedulingIgnoredDuringExecution:
        nodeSelectorTerms:
        - matchExpressions:
          - key: "nvidia.com/gpu.present"
            operator: In
            values:
            - "true"
  tolerations:
    - key: "nvidia.com/gpu"
      operator: Exists
      effect: NoSchedule

Instale el controlador de DRA de NVIDIA para el clúster con el archivo dra-values.yaml creado en el paso anterior.

helm repo add nvidia https://helm.ngc.nvidia.com/nvidia
helm repo update

helm install nvidia-dra-driver-gpu nvidia/nvidia-dra-driver-gpu \
  --version="25.8.0" \
  --namespace nvidia-dra-driver-gpu \
  --create-namespace \
  -f dra-values.yaml

Tras la instalación, el controlador de DRA crea recursos DeviceClass que permiten a Kubernetes comprender y asignar los recursos ComputeDomain, lo que permite que las cargas de trabajo de GPU distribuidas en UltraServers P6e-GB200 administren el IMEX.

Confirme que los recursos de DRA estén disponibles con los siguientes comandos.

kubectl api-resources | grep resource.k8s.io

deviceclasses           resource.k8s.io/v1  false        DeviceClass
resourceclaims          resource.k8s.io/v1  true         ResourceClaim
resourceclaimtemplates  resource.k8s.io/v1  true         ResourceClaimTemplate
resourceslices          resource.k8s.io/v1  false        ResourceSlice

kubectl get deviceclasses

NAME
compute-domain-daemon.nvidia.com
compute-domain-default-channel.nvidia.com

Cree un archivo de valores de Helm denominado efa-values.yaml con la configuración siguiente.

tolerations:
  - key: nvidia.com/gpu
    operator: Exists
    effect: NoSchedule

Instale el operador de DRA de NVIDIA para el clúster con el archivo dra-values.yaml creado en el paso anterior.

helm repo add eks https://aws.github.io/eks-charts
helm repo update

helm install efa eks/aws-efa-k8s-device-plugin -n kube-system \
  --version="0.5.14" \
  -f efa-values.yaml

Por ejemplo, si configuró sus instancias con 1 interfaz de solo EFA en cada grupo del NCI, al describir un nodo, se espera que haya 4 dispositivos de EFA asignables por nodo.

kubectl describe node/<gb200-node-name>

Capacity:
  ...
  vpc.amazonaws.com/efa:  4
Allocatable:
  ...
  vpc.amazonaws.com/efa:  4

Para ejecutar una prueba de ancho de banda de varios nodos en dos nodos del dominio NVL72, instale antes el operador de MPI:

kubectl create -f https://github.com/kubeflow/mpi-operator/releases/download/v0.7.0/mpi-operator.yaml

Cree un archivo de valores de Helm denominado nvbandwidth-test-job.yaml que defina el manifiesto de la prueba. Tenga en cuenta la afinidad del pod nvidia.com/gpu.clique para programar los trabajadores en el mismo dominio de NVLink que tiene accesibilidad de NVLink de varios nodos.

A partir de la versión v25.8.0 del controlador de DRA de NVIDIA, los ComputeDomains son elásticos y se puede establecer .spec.numNodes 0 en la definición de ComputeDomain. Consulte las notas de la versión más reciente del controlador de DRA de NVIDIA para ver las actualizaciones.

---
apiVersion: resource.nvidia.com/v1beta1
kind: ComputeDomain
metadata:
  name: nvbandwidth-test-compute-domain
spec:
  numNodes: 0 # This can be set to 0 from NVIDIA DRA Driver version v25.8.0+
  channel:
    resourceClaimTemplate:
      name: nvbandwidth-test-compute-domain-channel

---
apiVersion: kubeflow.org/v2beta1
kind: MPIJob
metadata:
  name: nvbandwidth-test
spec:
  slotsPerWorker: 4 # 4 GPUs per worker node
  launcherCreationPolicy: WaitForWorkersReady
  runPolicy:
    cleanPodPolicy: Running
  sshAuthMountPath: /home/mpiuser/.ssh
  mpiReplicaSpecs:
    Launcher:
      replicas: 1
      template:
        metadata:
          labels:
            nvbandwidth-test-replica: mpi-launcher
        spec:
          containers:
          - image: ghcr.io/nvidia/k8s-samples:nvbandwidth-v0.7-8d103163
            name: mpi-launcher
            securityContext:
              runAsUser: 1000
            command:
            - mpirun
            args:
            - --bind-to
            - core
            - --map-by
            - ppr:4:node
            - -np
            - "8"
            - --report-bindings
            - -q
            - nvbandwidth
            - -t
            - multinode_device_to_device_memcpy_read_ce
    Worker:
      replicas: 2 # 2 worker nodes
      template:
        metadata:
          labels:
            nvbandwidth-test-replica: mpi-worker
        spec:
          affinity:
            podAffinity:
              requiredDuringSchedulingIgnoredDuringExecution:
              - labelSelector:
                  matchExpressions:
                  - key: nvbandwidth-test-replica
                    operator: In
                    values:
                    - mpi-worker
                topologyKey: nvidia.com/gpu.clique
          containers:
          - image: ghcr.io/nvidia/k8s-samples:nvbandwidth-v0.7-8d103163
            name: mpi-worker
            securityContext:
              runAsUser: 1000
            env:
            command:
            - /usr/sbin/sshd
            args:
            - -De
            - -f
            - /home/mpiuser/.sshd_config
            resources:
              limits:
                nvidia.com/gpu: 4  # Request 4 GPUs per worker
              claims:
              - name: compute-domain-channel # Link to IMEX channel
          resourceClaims:
          - name: compute-domain-channel
            resourceClaimTemplateName: nvbandwidth-test-compute-domain-channel

Cree el ComputeDomain e inicie el trabajo con el siguiente comando.

kubectl apply -f nvbandwidth-test-job.yaml

Al crear el ComputeDomain, puede ver que el ComputeDomain de la carga de trabajo tiene dos nodos:

kubectl get computedomains.resource.nvidia.com -o yaml

status:
  nodes:
  - cliqueID: <ClusterUUID>.<Clique ID>
    ipAddress: <node-ip>
    name: <node-hostname>
  - cliqueID: <ClusterUUID>.<Clique ID>
    ipAddress: <node-ip>
    name: <node-hostname>
  status: Ready

Revise los resultados del trabajo con el siguiente comando.

kubectl logs --tail=-1 -l job-name=nvbandwidth-test-launcher

Cuando se haya completado la prueba, elimínela con el siguiente comando.

kubectl delete -f nvbandwidth-test-job.yaml