本文所有内容基于Docker，k8s集群由rancher提供的rke工具搭建（后文中称为rancher版本k8s，也适用于使用RancherUI搭建的集群），GPU共享技术采用了阿里GPU Sharing。使用了其他容器技术的本文不一定适用，或者使用了kubeadm进行k8s搭建的可能有部分不适用，kubeadm搭建的k8s在部署GPU Sharing时网上可查的资料和官网资料都很多，而rancher版本的k8s和原生kubernetes有所差别，后面会夹带一些具体说明。

准备工作
++如果你已经有了Rancher版本的K8S集群，则直接从「k8s集群搭建」开始看++

安装docker和nvidia-docker2
安装Docker，直接执行官方安装脚本安装：

curl -fsSL https://get.docker.com | bash -s docker –mirror Aliyun
安装完成后，使用Docker version查看版本，目前安装的话一般为20.10版本，能成功查询版本说明安装成功。

安装之后，执行以下命令设置docker自启动：

systemctl start docker
systemctl enable docker

nvidia-docker2安装参见上一篇文章《Ubuntu实现K8S调度NVIDIA GPU小记》安装nvidia-docker安装部分。
在安装完之后，我们需要修改docker默认的运行时，使其支持nvidia的调度，编辑/etc/docker/daemon.json配置（不存在则新建）：

{
“runtimes”: {
“nvidia”: {
“path”: “/usr/bin/nvidia-container-runtime”,
“runtimeArgs”: []
}
},
“default-runtime”: “nvidia”,
“exec-opts”: [“native.cgroupdriver=systemd”]
}

其中：runtimes参数是定义运行时，这里定义了一个名为nvidia的运行时环境，default-runtime表示指定默认的运行时为刚刚定义的nvidia。

最后一句”exec-opts”: [“native.cgroupdriver=systemd”]的作用是，因为K8S的文件驱动为cgroupfs，而docker的文件驱动为systemd，两者不同会导致镜像无法启动，因此需要将K8S文件驱动也指定为systemd。

GPU驱动
GPU驱动安装和简单调度参见上一篇文章《Ubuntu实现K8S调度NVIDIA GPU小记》英伟达驱动部分。

下载rke工具
下载rke之前，需要确定你是否需要指定版本的k8s集群或者指定版本的rancher，在github中rancher仓库中，可以在对应的rancher版本中查看到其支持的k8s版本和所需的rke工具版本，相反，你确定了需要的k8s版本也可以反推rancher版本和rke版本。

我这里的需求是使用rancher2.3.8，对应的rke版本为1.0.9，rke-1.0.9对应的k8s版本如下：

这里我k8s版本采用的是v1.17.6-rancher2-1版本。

确定了各种工具版本之后，下载对应的工具，此处链接根据需求更换，不是一成不变的：

下载rke

wget https://github.com/rancher/rke/releases/download/v1.0.9/rke_linux-amd64

配置rke

mv rke_linux-amd64 rke
chmod 755 rke
mv rke /usr/local/bin/

验证

rke –version

k8s集群搭建
rke需要根据yaml文件来进行集群的创建，我这里使用的是单节点，首先来创建rke集群文件目录：

mkdir rke-config
cd rke-config

以下是rke集群文件的内容，使用vim 进行编辑，vim cluster.yml，如果你有现有的集群，就对你的集群yaml进行编辑，在services下添加scheduler节点的所有内容即可（也适用于直接使用rancher创建的集群，只不过是通过rancher-ui进行操作）：

nodes:

• address: 192.168.1.102 user: root role:
  • controlplane
  • etcd
  • worker
    services:
    scheduler:
    extra_args:
    address: 0.0.0.0
    kubeconfig: /etc/kubernetes/ssl/kubecfg-kube-scheduler.yaml
    leader-elect: ‘true’
    policy-config-file: /etc/kubernetes/ssl/scheduler-policy-config.json
    profiling: ‘false’
    v: ‘2’
    kubernetes_version: “v1.17.6-rancher2-1”
    cluster_name: “aliyun”

nodes配置节点是配置集群的主机，此处为单节点，因此角色需要包含control、etcd和worker三种。services下的scheduler节点是指定调度的相关配置，这里就是一个rancher版本k8s和原生k8s不一样的地方，原生k8s中，kube-scheduler作为一个可执行文件存在，而在rancher中是一个容器，scheduler节点部分的内容可以通过docker inspect kube-scheduler查看到，这里只需要复制过来并添加policy-config-file: /etc/kubernetes/ssl/scheduler-policy-config.json即可。

我们从github上获取scheduler-policy-config.json，放到/etc/kubernetes/ssl/下，如果有多个master节点，则每个master节点都需要执行：

cd /etc/kubernetes/ssl/
curl -O https://raw.githubusercontent.com/AliyunContainerService/gpushare-scheduler-extender/master/config/scheduler-policy-config.json

然后，构建集群，需要进入到上一步创建的cluster.yml的目录下：

rke up

如果提示docker版本不支持，则添加参数忽略版本即可：

rke up –ignore-docker-version

待执行完毕，此时集群就搭建好了，之后进行如下配置：

mkdir ~/.kube

kube_config_cluster.yml文件为rke up创建集群时在当前目录生成

cp kube_config_cluster.yml ~/.kube
mv ~/.kube/kube_config_cluster.yml ~/.kube/config

接下来安装kubectl来管理集群：

curl -LO “https://storage.googleapis.com/kubernetes-release/release/$(curl -s https://storage.googleapis.com/kubernetes-release/release/stable.txt)/bin/linux/amd64/kubectl”

配置kubectl

chmod 755 ./kubectl
mv ./kubectl /usr/local/bin/kubectl

查看版本

kubectl version

使用kubectl查看pod：

查看pod

kubectl get pods

自此，k8s集群搭建完毕，接下来做GPU共享配置

GPU Sharing部署
部署GPU共享调度插件gpushare-schd-extender：
cd /tmp/
curl -O https://raw.githubusercontent.com/AliyunContainerService/gpushare-scheduler-extender/master/config/gpushare-schd-extender.yaml

因为是使用单节点，因此需要能够在master上进行调度，所以需要在gpushare-schd-extender.yaml中将

nodeSelector:

node-role.kubernetes.io/master: “”

这两句删除，使k8s能够在master上进行调度

kubectl create -f gpushare-schd-extender.yaml

部署设备插件gpushare-device-plugin
如果你的集群不是新搭建的，之前如果已经安装了nvidia-device-plugin，需要将其删除，rancher版本的k8s可以使用kubectl get pods看到nvidia-device-plugin相应的pod，删除即可。然后部署设备插件gpushare-device-plugin：

cd /tmp/
wget https://raw.githubusercontent.com/AliyunContainerService/gpushare-device-plugin/master/device-plugin-rbac.yaml
kubectl create -f device-plugin-rbac.yaml
wget https://raw.githubusercontent.com/AliyunContainerService/gpushare-device-plugin/master/device-plugin-ds.yaml

默认情况下，GPU显存以GiB为单位，若需要使用MiB为单位，需要在这个文件中，将–memory-unit=GiB修改为–memory-unit=MiB

kubectl create -f device-plugin-ds.yaml

为GPU节点打标签
为了将GPU程序调度到带有GPU的服务器，需要给服务打标签gpushare=true:

查看所有节点

kubectl get nodes

选取GPU节点打标

kubectl label node gpushare=true

例如我这里主机名为master，则打标语句为：

kubectl label node master gpushare=true

更新kubectl可执行程序：
wget https://github.com/AliyunContainerService/gpushare-device-plugin/releases/download/v0.3.0/kubectl-inspect-gpushare
chmod u+x kubectl-inspect-gpushare
mv kubectl-inspect-gpushare /usr/local/bin

然后执行kubectl inspect gpushare，若能看到GPU信息，则代表安装成功：

可以看到，此时GPU显存总数为7981MiB，使用为0。

测试
接下来进行测试，我们获取阿里云的示例程序：

wget https://raw.githubusercontent.com/AliyunContainerService/gpushare-scheduler-extender/master/samples/1.yaml
wget https://raw.githubusercontent.com/AliyunContainerService/gpushare-scheduler-extender/master/samples/2.yaml
wget https://raw.githubusercontent.com/AliyunContainerService/gpushare-scheduler-extender/master/samples/3.yaml

这四个文件分别是四个需要调度GPU的示例容器的yaml，直接使用kubectl create -f x.yaml启动即可，这些文件中调度的GPU都是以G为单位的，这里我修改了调度数值，调度数值的参数名为：aliyun.com/gpu-mem，第一个为128，第二个是256，第三个是512，逐个启动，观察GPU占用率：
启动第一个：

启动第二个：

启动第三个：

至此，rancher版本k8s配置GPU共享成功。