跳转到文档内容
版本：v2.8.0

如何在 HAMi 上使用 Kueue

本指南将帮助你使用 Kueue 来管理 HAMi vGPU 资源，包括启用 Deployment 支持、配置 ResourceTransformation，以及创建请求 vGPU 资源的工作负载。

前置条件​

在开始之前，请确保：

  • 集群中已安装 HAMi
  • 集群中已安装 Kueue

快速开始​

安装 Kueue​

如果尚未安装 Kueue，可以使用以下命令进行安装：

kubectl apply --server-side -f https://github.com/kubernetes-sigs/kueue/releases/download/v0.15.0/manifests.yaml

安装完成后，Kueue 控制器将运行在 kueue-system 命名空间中。

在 Kueue 中启用 Deployment 支持​

Kueue 支持管理 Deployment，但你需要在 Kueue 配置中启用 deployment 集成。

配置 Kueue​

编辑 Kueue manager 的配置以启用 Deployment 支持：

kubectl edit configmap kueue-manager-config -n kueue-system

添加如下配置：

apiVersion: config.kueue.x-k8s.io/v1beta2
kind: Configuration
integrations:
  frameworks:
    - "deployment"
    - "pod"

更新配置后，重启 kueue-manager：

kubectl rollout restart deployment kueue-manager -n kueue-system

配置 ResourceTransformation​

ResourceTransformation 允许 Kueue 将一种形式的资源请求转换为另一种形式。 对于 HAMi vGPU 资源，这使得 Kueue 可以使用聚合指标 （如 nvidia.com/total-gpucores 和 nvidia.com/total-gpumem）来跟踪 GPU 资源， 而不是单独的 nvidia.com/gpu 请求。

编辑 kueue-manager 配置以添加 ResourceTransformation：

kubectl edit configmap kueue-manager-config -n kueue-system

将 ResourceTransformation 配置添加到同一个 Configuration 对象中：

apiVersion: config.kueue.x-k8s.io/v1beta2
kind: Configuration
integrations:
  frameworks:
    - "deployment"
    - "pod"
resources:
  transformations:
  - input: nvidia.com/gpucores
    strategy: Replace
    multiplyBy: nvidia.com/gpu
    outputs:
      nvidia.com/total-gpucores: "1"
  - input: nvidia.com/gpumem
    strategy: Replace
    multiplyBy: nvidia.com/gpu
    outputs:
      nvidia.com/total-gpumem: "1"

更新配置后，重启 kueue-manager：

kubectl rollout restart deployment kueue-manager -n kueue-system

创建 ResourceFlavor​

首先，创建一个 ResourceFlavor：

apiVersion: kueue.x-k8s.io/v1beta2
kind: ResourceFlavor
metadata:
  name: hami-flavor
spec:
  nodeLabels:
    gpu: "on"

该 ResourceFlavor 仅适用于启用了 vGPU 功能的节点。

创建 ClusterQueue​

创建一个用于跟踪 HAMi 资源的 ClusterQueue：

apiVersion: kueue.x-k8s.io/v1beta2
kind: ClusterQueue
metadata:
  name: hami-queue
spec:
  resourceGroups:
    - coveredResources: ["nvidia.com/gpu", "nvidia.com/total-gpucores", "nvidia.com/total-gpumem"]
      flavors:
        - name: hami-flavor
          resources:
            - name: "nvidia.com/gpu"
              nominalQuota: 80
            - name: "nvidia.com/total-gpucores"
              nominalQuota: 200
            - name: "nvidia.com/total-gpumem"
              nominalQuota: 10240

该 ClusterQueue 跟踪以下资源：

  • nvidia.com/total-gpucores：所有 vGPU 的 GPU 核心总量（每个单位表示 1% 的 GPU 核心）
  • nvidia.com/total-gpumem：所有 vGPU 的 GPU 显存总量（单位为 MiB）

创建 LocalQueue​

创建一个引用该 ClusterQueue 的 LocalQueue：

apiVersion: kueue.x-k8s.io/v1beta2
kind: LocalQueue
metadata:
  name: hami-local-queue
  namespace: default
spec:
  clusterQueue: hami-queue

创建请求 vGPU 资源的工作负载​

现在，你可以创建请求 vGPU 资源的 Deployment。 Kueue 将通过 ResourceTransformation 自动转换资源请求。

基础 vGPU Deployment​

下面是一个请求 vGPU 资源的 Deployment 示例：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: vgpu-deployment
  labels:
    app: vgpu-app
    kueue.x-k8s.io/queue-name: hami-local-queue
spec:
  replicas: 2
  selector:
    matchLabels:
      app: vgpu-app
  template:
    metadata:
      labels:
        app: vgpu-app
    spec:
      containers:
        - name: vgpu-container
          image: nvidia/cuda:11.8.0-base-ubuntu22.04
          command: ["sleep", "infinity"]
          resources:
            limits:
              nvidia.com/gpu: 1
              nvidia.com/gpucores: 50
              nvidia.com/gpumem: 1024

在该示例中：

  • kueue.x-k8s.io/queue-name 标签将 Deployment 关联到 hami-local-queue
  • nvidia.com/gpu: 1 请求 1 个 vGPU
  • nvidia.com/gpucores: 50 为每个 vGPU 请求 50% 的 GPU 核心
  • nvidia.com/gpumem: 1024 为每个 vGPU 请求 1024 MiB 的 GPU 显存

请求多个 vGPU 的 Deployment​

你也可以创建一个请求多个 vGPU 的 Deployment：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: multi-vgpu-deployment
  labels:
    app: multi-vgpu-app
    kueue.x-k8s.io/queue-name: hami-local-queue
spec:
  replicas: 1
  selector:
    matchLabels:
      app: multi-vgpu-app
  template:
    metadata:
      labels:
        app: multi-vgpu-app
    spec:
      containers:
        - name: vgpu-container
          image: nvidia/cuda:11.8.0-base-ubuntu22.04
          command: ["sleep", "infinity"]
          resources:
            limits:
              nvidia.com/gpu: 2
              nvidia.com/gpucores: 30
              nvidia.com/gpumem: 1024

该 Deployment 请求 2 个 vGPU，每个 vGPU 分配 30% 的 GPU 核心和 1024 MiB 的 GPU 显存。

验证资源使用情况​

要检查 ClusterQueue 中的资源使用情况，可以查看 status.flavorsReservation 字段：

kubectl get clusterqueue hami-queue -o yaml

status.flavorsReservation 显示当前的资源消耗情况：

status:
  flavorsReservation:
  - name: hami-flavor
    resources:
    - name: nvidia.com/total-gpucores
      total: "160"  # 当前使用量：(2 个副本 × 1 GPU × 50 核心) + (1 个副本 × 2 GPU × 30 核心) = 160
    - name: nvidia.com/total-gpumem
      total: "4096"  # 当前使用量：(2 个副本 × 1 GPU × 1024 MiB) + (1 个副本 × 2 GPU × 1024 MiB) = 4096

Resource Transformation 细节​

Kueue 的 ResourceTransformation 会自动转换 HAMi vGPU 的资源请求：

  • nvidia.com/gpu × nvidia.com/gpucores → nvidia.com/total-gpucores
  • nvidia.com/gpu × nvidia.com/gpumem → nvidia.com/total-gpumem

例如：

  • 一个 Deployment 有 2 个副本，每个副本请求 nvidia.com/gpu: 1、nvidia.com/gpucores: 50 和 nvidia.com/gpumem: 1024
  • 将消耗：nvidia.com/total-gpucores: 100（2 个副本 × 1 GPU × 50 核心）以及 nvidia.com/total-gpumem: 2048（2 个副本 × 1 GPU × 1024 MiB）

示例​

完整可运行示例请参见 示例文件。

CNCFHAMi 是 CNCF Sandbox 项目