做非法网站软件开发公司排行榜

精准分割 - 深入解析 Kubernetes 中的 NVIDIA Multi-Instance GPU (MIG)

我们知道 Kubernetes 可以管理和分配 GPU 资源给 Pod。但标准的做法通常是将一整块物理 GPU 分配给一个 Pod 独占。对于 NVIDIA A100、H100 这样的“性能怪兽”来说，很多时候（尤其是推理任务或开发测试）一个 Pod 根本用不满整块卡的算力，这就造成了“大马拉小车”的资源浪费和成本空耗。

有没有办法像切蛋糕一样，把一块大 GPU 精准地分割成几小块，并且每一小块都有自己独立的资源，互不干扰呢？NVIDIA 给出的答案就是 Multi-Instance GPU (MIG)！

MIG 核心概念

MIG 是 NVIDIA 在 Ampere 架构及更新的数据中心 GPU（如 A100, H100）上引入的一项硬件级分区技术。它不是简单的软件模拟，而是实实在在地在硬件层面动了“手术”：

1. 硬件分区：MIG 可以将一块物理 GPU 安全地分割成最多 7 个独立的 GPU 实例 (GPU Instance, GI)。
2. 资源隔离：每个 GI 都拥有自己专属且隔离的计算引擎 (Streaming Multiprocessors - SMs 或 GPU Processing Clusters - GPCs)、显存、显存控制器、二级缓存以及显存带宽。
3. 性能可预测：由于是硬件隔离，一个 GI 上的高负载工作不会影响同一物理 GPU 上其他 GI 的性能。这意味着每个 GI 都能获得稳定、可预测的性能和延迟。显存也是完全隔离的，不用担心被“邻居”挤爆。
4. 计算实例 (Compute Instance, CI)：在 GI 之上，还有一个 CI 的概念。CI 决定了 GI 内的计算资源（如 SMs）如何被访问和管理。对于在 Kubernetes 中使用，我们通常为每个创建的 GI 自动创建一个对应的 CI，让 K8s Pod 可以直接使用这个 GI 的全部能力。

• 类比：再次祭出那个比喻！把支持 MIG 的物理 GPU 看作一台超强物理服务器。启用 MIG 就像在这台服务器上安装了硬件级虚拟化软件 (Hypervisor)。然后，你可以创建出多个独立的“GPU 虚拟机”（即 GI + CI）。每个“GPU 虚拟机”都有自己保证的 CPU (计算单元)、内存 (显存) 和网络带宽 (显存带宽)，彼此之间井水不犯河水。

MIG 实例配置文件与命名

MIG 分割不是随意的，NVIDIA 定义了一系列预设的“实例配置文件”（Instance Profiles）。你需要根据这些配置文件来创建 GI。

• 命名规则：配置文件名通常是 mig-<计算资源片数>g.<显存大小>gb。这里的 g 代表计算资源的切片单位（比如 GPC 或 SM 的一部分），gb 是分配到的显存容量。
  • 以 NVIDIA A100 40GB 为例，常见的配置文件有：
    • mig-1g.5gb
    • mig-2g.10gb
    • mig-3g.20gb
    • mig-7g.40gb (接近整卡)
  • NVIDIA A100 80GB 则有更多组合，如 mig-1g.10gb, mig-2g.20gb, …, mig-7g.80gb。
  • H100 等新卡有其自己的一套配置文件。
• 组合规则：一块物理 GPU 可以同时创建多个 GI，甚至可以是不同配置文件的组合，但必须遵循硬件布局约束。例如，某些配置文件只能放在特定的 GPC 组里。创建实例时 nvidia-smi 会自动检查规则。
• 查询可用配置：后面我们会看到如何用 nvidia-smi 命令查询当前 GPU 支持哪些配置文件。建议查阅 NVIDIA 官方文档获取最权威的兼容列表。

节点端配置实战 (Node-Level Configuration Hands-On)

这是使用 MIG 的关键和前提，需要在 GPU 节点上拥有 root 权限，并使用 nvidia-smi 命令行工具进行操作。

重要提示：更改 MIG 模式或创建/销毁 MIG 实例前，务必停止所有正在使用该物理 GPU 的应用程序或进程（包括 K8s Pod），否则命令可能会失败或导致不稳定。

1. 查询 GPU 信息

首先，确认你的 GPU 型号以及当前的 MIG 状态。

• 命令：列出系统中的 GPU 设备

  nvidia-smi -L
  

• 预期输出示例 (假设有一块 A100)：

  GPU 0: NVIDIA A100-SXM4-40GB (UUID: GPU-xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx)
  

  • 解释：
    • GPU 0: 系统识别到的 GPU 索引号 (Index)。
    • NVIDIA A100-SXM4-40GB: GPU 的具体型号。确认是支持 MIG 的型号（如 A100, H100）。
    • UUID: 该 GPU 的唯一标识符。

• 命令：查询 GPU 的详细信息，特别是 MIG 相关状态