Feature Request: GPU Support
维护者通常 1 天内回复
还没有人认领这个 Issue。
评估
- 难度
- 5/5
- 预计耗时
- 一周以上
- 新手友好度
- 42/100
- Issue 类型
- 功能
- 描述清晰度
- 基本清楚
- 活跃度
- 冷清
- 技术栈
- docker, go
调研方向
首先根据 nvidia-smi、NVML 和 DCGM 评估提议的 gpu_monitor 插件，包括如何检测卡住的 nvidia-smi 命令。完成标准是添加该插件、支持 GPU 的 Dockerfile 和所需依赖，并检测设备错误和卡住的 GPU；运行时崩溃和 OOM 监控仍 TBD。
由索引模型根据 Issue 内容生成。
描述
This feature request aims to enhance the Node Problem Detector with the ability to monitor GPUs on nodes and detect issues.
Currently NPD does not have direct visibility into GPUs. However, many workloads are GPU accelerated which makes GPU health an important part of node health. e.g. GPUs are widely used in machine learning training and inference. Especially for LLM training which may using tens of thousands of GPU cards. The entire training cluster should be restarted from previous checkpoint if any one of the GPUs in the cluster is gone bad.
This feature request adds the following capabilities:
-
GPU device monitoring: NPD will collect GPU device info periodically and look for crashes or errors via nvidia-smi/nvml/dcgm tools.
-
GPU device monitoring: NPD will check GPU device info periodically to detect if a GPU is "stuck" (e.g. nvidia-smi command hangs).
-
TBD: GPU runtime monitoring: NPD will check for crashes or OOM issues reported in nvidia logs.
Specifically, this feature request includes:
- Code for the gpu_monitor plugin
- A Dockerfile to build an NPD image with GPU support
- Other dependencies
Looking forward to your feedback!
- 主要语言
- Go
- 星标
- 3.5k
- 派生
- 704
- 平均合并
- 12 小时 21 分钟
- 30 天内合并 PR
- 3
环境准备
从这里开始
- 先读完整个 Issue，再读项目的贡献指南。
- 在 Issue 下留言说明你要接手 —— 这能避免两个人做同样的事。
- Fork 仓库，在一个分支上完成修改。
- 提交 Pull Request，并在描述里引用这个 Issue 编号。
kubernetes/node-problem-detector 的其他 Issue
-
Flag --enable-k8s-exporter=false causes loss of /healthz, /conditions, and /debug/pprof endpoints未关闭
难度 4/5 3-5 天 新手友好度 56/100
kubernetes/node-problem-detector#1332 ·
维护者通常 1 天内回复
-
kind/cleanup sig/node
难度 5/5 一周以上 新手友好度 45/100
kubernetes/node-problem-detector#1331 ·
维护者通常 1 天内回复
-
NPD needs significant unit test coverage可能重新可做 @DigitalVeer 于 62 天前认领，目前没有进行中的 PR。 未关闭kind/cleanup sig/node
kubernetes/node-problem-detector#1328 · 2 条评论 · 已指派 1 人 ·
维护者通常 1 天内回复
-
kind/bug
难度 3/5 1-2 天 新手友好度 58/100
kubernetes/node-problem-detector#1176 · 7 条评论 ·
维护者通常 1 天内回复
-
kind/feature lifecycle/frozen
难度 5/5 一周以上 新手友好度 35/100
kubernetes/node-problem-detector#1112 · 8 条评论 ·
维护者通常 1 天内回复
查看 kubernetes/node-problem-detector 的全部 Issue
相似的 Issue
-
bug needs triage
难度 2/5 1-3 小时 新手友好度 78/100
netdata/netdata#24062 · 1 条评论 ·
维护者通常 1 天内回复
-
难度 2/5 1-3 小时 新手友好度 88/100
meshery/meshery#22119 · 1 条评论 ·
维护者通常 1 天内回复
-
难度 2/5 1-3 小时 新手友好度 78/100
维护者通常 1 天内回复
-
automation documentation
难度 2/5 1-3 小时 新手友好度 78/100
维护者通常 1 天内回复
-
难度 2/5 1-3 小时 新手友好度 68/100
维护者通常 1 天内回复