Kubernetes での AI と機械学習のワークロードの最適化

Kubernetes での AI と機械学習のワークロードの最適化

Kubernetes は、サービスからジョブ、ステートフル アプリケーションまで、あらゆる種類のコンテナ化されたワークロードに最適です。しかし、GPU を必要とする AI や機械学習のワークロードはどうでしょうか?はい、Kubernetes もそれらをサポートしていますが、微妙な違いがたくさんあります。

著者 Eugene Burd の「Kubernetes での AI および機械学習ワークロードの最適化」からの翻訳です。

この記事では、スケジューリング、オーバーサブスクリプションとタイムシェアリング、セキュリティ/分離など、Kubernetes が GPU をサポートする方法について説明します。さらに、3 つの主要なパブリック クラウド プロバイダーがこれらの機能をどのようにサポートしているか、また GPU ノードが GPU ワークロードでのみ使用されるようにする方法についても説明します。

デバイスプラグイン

まず、Kubernetes が GPU をサポートするメカニズムを見てみましょう。 Kubernetes 自体は GPU について何も知りません。代わりに、デバイス プラグインと呼ばれる拡張メカニズムを提供します。デバイス プラグイン フレームワークを使用すると、サードパーティは GPU、InfiniBand アダプターなど、ノードで利用可能な追加機能をアドバタイズできます。

デバイス プラグインは通常デーモンとして実装され、ノードの kubelet に自身を登録し、ノード上でスケジュール可能なリソースを kubelet にアドバタイズします。 Kubelet はこの情報を API サーバーに渡し、Kubernetes スケジューラはこの情報を使用して、各コンテナのリソースを要求するワークロードをノードにスケジュールします。

写真

ワークロードからGPUを要求する

Kubernetes が GPU を認識する仕組みがわかったので、コンテナが GPU を要求する仕組みについて説明しましょう。ワークロードは、CPU やメモリを要求するのと同様の方法で GPU を要求できますが、いくつかの違いがあります。 Kubernetes がネイティブにサポートする CPU とは異なり、GPU (および一般的なデバイス プラグイン) は制限のみをサポートします (リクエストを提供することはできますが、その場合は制限も提供する必要があり、2 つの値は等しくなければなりません)。制限も整数である必要があります (小数制限は許可されません)。

ポッドの例を見てみましょう。この場合、ポッドは 1 つの Nvidia GPU を要求しています。スケジューラは、まだ割り当てられていない利用可能な Nvidia GPU を持つノードを見つけ、そのノードにポッドを配置します。

 apiVersion: v1 kind: Pod metadata: name: my-gpu-pod spec: containers: - name: my-gpu-container image: nvidia/cuda:11.0.3-runtime-ubuntu20.04 command: ["/bin/bash", "-c", "--"] args: ["while true; do sleep 600; done;"] resources: requests: cpu: 100m memory: 500Mi limits: memory: 1000Mi nvidia.com/gpu: 1

オーバーサブスクリプションとタイムシェアリング

CPU タイムシェアリングは、linuxcgroups を使用して CNI によってネイティブに処理されます。これはリクエストと制限によって影響を受けます。CPU リクエストと制限を設定する方法 (および制限を回避する必要がある理由) に関する記事を参照してください。

GPU タイムシェアリングは、次の 2 つのメカニズムを通じて Nvidia GPU でサポートされています。

  1. マルチインスタンス GPU (Nvidia A100、H100) は、複数のコンピューティング ユニットとメモリ ユニットをサポートします。この場合、公開するパーティションの数を設定できます。この構成により、デバイス プラグインは物理 GPU ごとに複数の「仮想 GPU」を表示します。これは、AWS、Azure、GCP でサポートされています。
  2. シングルインスタンス GPU の場合、Nvidia の GPU スケジューラは、GPU 上のワークロードを時間スライスすることでタイムシェアリングをサポートします。これは AWS と GCP でのみサポートされます。

このアプローチでは GPU をオーバーサブスクライブできる可能性がありますが、CPU とは異なり、Completely Fair Scheduler (CFS) や cgroup の優先順位がないため、ワークロード間で時間を均等に分割することしかできず、ワークロードが不足する可能性があるため注意が必要です。

セキュリティ/隔離

CPU とは異なり、現在 GPU 内にはプロセスやメモリの分離はありません。つまり、GPU にスケジュールされたすべてのワークロードはメモリを共有するため、相互に信頼するワークロード間でのみ GPU を共有する必要があります。

GPUノードの作成

GPU をリクエストする方法がわかったので、GPU を備えたノードを作成する方法とデバイス プラグインをインストールする方法が気になるかもしれません。これは、使用する Kubernetes プロバイダーによって異なります。以下では、3 つの主要なものについて説明します。

アマゾン

AWS は、任意の EC2 GPU インスタンスタイプを使用したノードグループの作成をサポートしています。次の 2 つのオプションから選択できます。

  1. Nvidia ドライバーがプリインストールされた EKS 高速化 Amazon Linux AMI を実行します。この場合、Nvidia デバイス プラグインを別途インストールする必要があります。
  2. ノード グループで Nvidia の GPU Operator を実行します。この場合、アップグレードは手動で行われます。

アズール

Azure は、ノード プールを作成するための 3 つのオプションをサポートしています。

  1. GPU ノード プールを作成します。これには GPU ドライバーが自動的に含まれますが、Nvidia デバイス プラグインを自分でインストールする必要があります。
  2. GPU ドライバーと Nvidia デバイス プラグインを含む AKS GPU イメージ プレビューを使用します。この場合、アップグレードは手動で行われます。
  3. ノード グループで Nvidia の GPU Operator を実行すると、すべてが処理されます。

グーグル

GKE は、ノード プールを作成するための 2 つのオプションをサポートしています。

  1. GPU ドライバーのインストールとデバイス プラグインを Google が管理できるようにします。このオプションを使用すると、GKE はノードを自動的にアップグレードすることもできます。
  2. GPUドライバーとデバイスプラグインを自分で管理する

GPU ノードを非 GPU ワークロードから保護する

最後に、GPU ノードを作成したので、クラスターで実行されている非 GPU ワークロードからこれらのノードを分離する必要があります。これは、汚染と寛容を通じて実現できます。ノード プールとグループを作成するときに、テイントを適用する必要があります。クラスターに非 GPU ノードプールがある場合、GKE はこれを自動的に実行します。他のプロバイダーはそうしませんので、必ずこれを実行する必要があります。

ポッドの場合、テイントを GPU ノードにスケジュールできるように、テイントに対する許容を提供する必要があります。次の例では、「nvidia.com/gpu」という名前のテイントの許容値を作成し、このポッドを nvidia GPU ノードで実行できるようにします。

 apiVersion: v1 kind: Pod metadata: name: my-gpu-pod spec: containers: - name: my-gpu-container image: nvidia/cuda:11.0.3-runtime-ubuntu20.04 command: ["/bin/bash", "-c", "--"] args: ["while true; do sleep 600; done;"] resources: requests: cpu: 100m memory: 500Mi limits: memory: 1000Mi nvidia.com/gpu: 1 tolerations: - key: "nvidia.com/gpu" operator: "Exists" effect: "NoSchedule"

AI と機械学習のワークロードが拡大し続ける中、より高価なクラウド プロバイダー独自のオプションではなく、Kubernetes での実行を検討していただければ幸いです。

Kubernetes で GPU ワークロードを実行してみたことはありますか?何がうまくいきましたか?どのような問題に遭遇しましたか?

<<:  Elasticsearch - 分散検索および分析エンジン

>>:  レジストリ: 分散システムへの対応方法

推薦する

WordPressブログのSEO最適化に役立つプラグイン

世界で最も人気のあるブログ テンプレートである WordPress の最大の利点は、ユーザーがニーズ...

ランキングがより重要か、それとも市場がより重要かについて、私はよく考えました。

最近の A5 の投稿から判断すると、検索エンジンでのキーワードのランキングを向上させる方法に関する記...

台湾サーバー

台湾サーバー、台湾独立サーバー。このサイトでは、広い帯域幅、大きなトラフィック、低価格の台湾サーバー...

エッジ コンピューティングとクラウド コンピューティング: 主な違いは何ですか?

エッジコンピューティングとクラウドコンピューティングの主な違いは何ですか?コンピューティングでは、「...

推奨: Bandwagonhost: KVM VPS、512M メモリ、年間 19.99 ドル + クーポン コード

bandwagonhost が初めて KVM 仮想 VPS のベータ版をリリースしたとき、E3v5 ...

個人ウェブマスターの解決策: 個人ウェブサイトはニッチ産業の征服を検討できる

インターネットの発展は個人のウェブサイトと切り離せないものですが、インターネットの発展はもはや個人の...

新しい仮想ネットワーク アーキテクチャ - ケーブルの導入

この記事では主に、さまざまなオーケストレーション システムのネットワーク モジュールの管理を統合し、...

アリペイはアリババのエコロジカルな探求のための電子商取引だけではない

今年のアリババグループの行動をみると、頻繁であると言える。ショッピング検索の開始だけでも業界に衝撃を...

Baidu がサイト全体で HTTPS セキュリティ サービスを有効化

最近、Baidu はサイト全体の HTTPS セキュリティ暗号化サービスを有効にし、従来の HTTP...

SEOを避けてウェブサイトのトラフィックを増やす方法

はじめに: 今日私が共有したいのは、SEO の技術的な手段ではなく、他の手段でウェブサイトのトラフィ...

H5 マルチチャネル アプリ プロモーションを選択するには?

現在、アプリプロモーションのチャネルはますます増えています。WAPサイトやサードパーティのアプリに加...

SEOに必要なスキルのリスト

多くの友人が、検索エンジン最適化を行うにはどのようなスキルが必要かについて話し合っています。この質問...

インターネットの素人から見たインターネットマーケティングとプロモーション - A5 Webmaster Network

実は私は、貴金属関係の会社でインターネットとは関係のない技術系の仕事をしている技術者です。興味があっ...

新しいウェブサイト Baidu をゼロから構築するための 4 つのポイント

ショートビデオ、セルフメディア、インフルエンサーのためのワンストップサービスウェブサイトのBaidu...

クラウド環境における Java の水平拡張と負荷分散戦略

クラウド コンピューティング テクノロジーの急速な発展により、ますます多くのアプリケーションがクラウ...