基于ACK One注册集群实现IDC中K8s集群添加云上CPU/GPU节点

2023-07-07 624

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 基于ACK One注册集群实现IDC中K8s集群添加云上CPU/GPU节点

在前一篇文章《基于ACK One注册集群轻松实现云上云下K8s集群统一管理》中，我们注重介绍了注册集群的应用场景，架构实现，安全加固，以及在他云K8s集群和IDC自建K8s集群中使用阿里云容器服务ACK的强大可观测性能力，实现云上云下K8s集群的统一运维管理。本文会重点介绍ACK One注册集群的另一个重要使用场景--云上弹性。

概述

ACK One注册集群的云上弹性能力针对的场景：

业务快速增长：在本地IDC中部署的K8s集群，往往受到IDC计算资源的限制无法及时扩容，计算资源的采购部署上线往往周期较长，无法承担业务流量的快速增长。
业务周期性增长或突发增长：本地IDC中的计算资源数量相对固定，无法应对业务周期性高峰，或者突发业务流量的增长。

解决以上场景的根本是计算资源弹性能力，可以跟随业务流量的变化，弹性扩大或者缩小计算资源，满足业务需求的同时也保证了成本的平衡。

通过ACK One注册集群，本地IDC中的K8s集群可以弹性扩容阿里云ECS节点池，利用阿里云容器服务的极致弹性能力，扩容应对业务流量增长，缩容实现成本节约。

尤其针对AI场景，通过ACK One注册集群，可以将云上GPU机器接入IDC中的K8s集群。

ACK One注册集群云上弹性架构图：

演示 - 阿里云GPU机器加入本地IDC中K8s集群

1. 创建ACK One注册集群

访问ACK One控制台注册集群用页面，我们已经创建了注册集群“ACKOneRegisterCluster1”并接入了本地IDC中的K8s集群。参见：《基于ACK One注册集群轻松实现云上云下K8s集群统一管理》

接入后，可以通过ACK One控制台查看本地IDC K8s集群，目前只有一个master节点。

2. 创建GPU节点池并手动扩容创建1个GPU节点

在注册集群中创建节点池GPU-P100，将云上GPU机器加入IDC中K8s集群。

在IDC K8s集群中执行kubectl查看节点信息。

kubectl get node
NAME                           STATUS   ROLES    AGE     VERSION
cn-zhangjiakou.172.16.217.xx   Ready    <none>   5m35s   v1.20.9    // 云上GPU机器
iz8vb1xtnuu0ne6b58hvx0z        Ready    master   20h     v1.20.9    // IDC机器
k describe node cn-zhangjiakou.172.16.217.xx
Name:               cn-zhangjiakou.172.16.217.xx
Roles:              <none>
Labels:             aliyun.accelerator/nvidia_count=1             //nvidia labels
                    aliyun.accelerator/nvidia_mem=16280MiB        //nvidia labels 
                    aliyun.accelerator/nvidia_name=Tesla-P100-PCIE-16GB  //nvidia labels
                    beta.kubernetes.io/arch=amd64
                    beta.kubernetes.io/os=linux
                    kubernetes.io/arch=amd64
                    kubernetes.io/hostname=cn-zhangjiakou.172.16.217.xx
                    kubernetes.io/os=linux
Capacity:
  cpu:                4
  ephemeral-storage:  123722704Ki
  hugepages-1Gi:      0
  hugepages-2Mi:      0
  memory:             30568556Ki
  nvidia.com/gpu:     1              //nvidia gpu
  pods:               110
Allocatable:
  cpu:                4
  ephemeral-storage:  114022843818
  hugepages-1Gi:      0
  hugepages-2Mi:      0
  memory:             30466156Ki
  nvidia.com/gpu:     1              //nvidia gpu
  pods:               110
System Info:
  OS Image:                   Alibaba Cloud Linux (Aliyun Linux) 2.1903 LTS (Hunting Beagle)
  Operating System:           linux
  Architecture:               amd64
  Container Runtime Version:  docker://19.3.13
  Kubelet Version:            v1.20.9
  Kube-Proxy Version:         v1.20.9
......

3. 运行GPU任务测试

在IDC中K8s集群中提交GPU测试任务，运行结果成功。

> cat <<EOF | kubectl apply -f -
apiVersion: v1
kind: Pod
metadata:
  name: gpu-pod
spec:
  restartPolicy: Never
  containers:
    - name: cuda-container
      image: acr-multiple-clusters-registry.cn-hangzhou.cr.aliyuncs.com/ack-multiple-clusters/cuda10.2-vectoradd
      resources:
        limits:
          nvidia.com/gpu: 1 # requesting 1 GPU
EOF
> kubectl logs gpu-pod
[Vector addition of 50000 elements]
Copy input data from the host memory to the CUDA device
CUDA kernel launch with 196 blocks of 256 threads
Copy output data from the CUDA device to the host memory
Test PASSED
Done

多级弹性调度

通过上面的演示，我们可以通过ACK One注册集群，使用云上ECS资源创建节点池，并添加到IDC集群中。您可以为节点池或者节点打标（label），并通过设置Pod的节点亲"affinity"或者“nodeSelector"的方式，为Pod选择是在IDC本地节点中运行，还是在云上ECS节点用运行。这种方式需要修改应用pod的配置，如果生产系统有较多的应用需要处理，则需要编写调度规则，适合自定义调度的场景，例如：特定CUDA版本的GPU训练任务调度到云上特定的GPU ECS实例上。

为了简化IDC中K8s集群使用云上ECS资源，ACK One注册集群提供多级弹性调度功能，通过安装ack-co-scheduler组件，您可以定义ResourcePolicy CR对象，使用多级弹性调度功能。

ResourcePolicy CR是命名空间资源，重要参数解析：

selector：声明ResourcePolicy作用于同一命名空间下label上打了key1=value1的Pod。
strategy：调度策略选择，目前只支持prefer。
units：用户自定义的调度单元。应用扩容时，将按照units下资源的顺序选择资源运行；应用缩容时，将按照逆序进行缩容。

resource：弹性资源的类型，目前支持idc、ecs和eci三种类型。
nodeSelector：用node的label标识该调度单元下的节点，只对ecs资源生效。
max：在该组资源最多部署多少个实例。

ResourcePolicy支持以下场景：

场景1: 优先使用IDC中集群资源，再使用云上ECS资源

apiVersion: scheduling.alibabacloud.com/v1alpha1
kind: ResourcePolicy
metadata:
  name: cost-balance-policy
spec:
  selector:
    app: nginx           // 选择应用Pod
  strategy: prefer
  units:
  - resource: idc        //优先使用idc指定使用IDC中节点资源
  - resource: ecs        //当idc节点资源不足时，使用云上ECS，可以通过nodeSelector选择节点
    nodeSelector:
      alibabacloud.com/nodepool-id=np7b30xxx

场景2: 混合使用IDC资源和云上ECS资源

apiVersion: scheduling.alibabacloud.com/v1alpha1
kind: ResourcePolicy
metadata:
  name: load-balance-policy
spec:
  selector:
    app: nginx
  strategy: prefer
  units:
  - resource: idc
    max: 2             //在idc节点中最多启动2个应用实例
  - resource: ecs
    nodeSelector:
      alibabacloud.com/nodepool-id=np7b30xxx
    max: 4             //在ecs节点池中最多启动4个应用实例