Docker 二次开发 | NVIDIA Docker + Docker Client 调度 GPU 容器项目

Docker 二次开发 | NVIDIA Docker + Docker Client 调度 GPU 容器项目

新年快乐🎉

项目还在开发阶段，本文中演示的 API 可能已发生变化，详情可见 Github。

前言

你是否有这样的困扰？实验室里新购买了一台多卡 GPU 服务器，你和你的师兄要在上面炼丹，但是你们用的 Python、PyTorch等工具版本不同，在宿主机共同操作很麻烦。

这时候 Docker 就可以大显身手了，首先你可以"先入为主"地把 Docker 容器理解成一个小型"虚拟机"，然后你和师兄各启动一个绑定了一张 GPU 卡的容器，就可以在容器里随意"折腾"了。但是默认的 Docker 是不支持 GPU 调度的，这就要求你要为 Docker 安装 NVIDIA Container Toolkit ，这样就可以轻松愉快的使用 Docker 炼丹了。这听起来很酷 😎。

但是，有一天你跑的模型占用的显存溢出了，一张卡已经满足不了你的需求，此时你会想，我再启动一个容器，绑定多张卡不就行了。然后你想到刚使用这个容器的时候，APT 源不能用，你 Google 了怎么换国内源；CUDA 报错，你又 Google 发现 PyTorch 要和CUDA 版本匹配。为了跑起来这个模型，经历了太多太多，这时候重新创建一个容器，意味着再配置一遍，这一点都不酷 😭。

或者你是一个码农，你们老板敏锐的发现了这个痛点，这些研究生们要么实验室没显卡，要么卡的性能太落后，最重要的还有上述更新容器 GPU 配置后，需要重新安装软件、拷贝数据的问题。这不得狠狠赚它一把！

所以你被委派开发这个项目，你可能是容器领域大神，心想：直接把容器提交成镜像不就得了，这样子安装的软件都还在，然后把数据重新挂载到容器里。事实确实如此，但是我相信使用 GPU 容器的用户更多只想跑代码，并不是很了解 Docker 相关的知识，而且跑训练的容器动不动就 10GB、20GB，提交为镜像很耗时，怎么存储这些镜像又是一个问题。

所以我们的这个开源项目就派上用场了，项目提供了 RESTful API，基本上请求的地址都能直译成汉语，很容易理解。所以它应该有两种用途。

比如你还是一个研究生，在实验室找个"德高望重"的师兄，拷贝运行这个项目，等新人来的时候，鼠标点一点就能为他创建一个 GPU 容器，或者新人受不了导师的 PUA，润了，这时候点一点接口删除他这个容器，并回收 GPU 资源。又或者某位师兄需要更高的算力，调用更新接口为他的容器"升级"一下GPU 配置即可，当然一切数据都在。

又或者你想提供 GPU 算力容器给客户、学生，基于本项目二次开发，即可上线一个支持升降配置的 GPU 算力平台。当然他要比 K8s 简单的多（当然功能也不如 K8s 的一根毛）。

介绍

该项目通过调用 NVIDIA-Docker 实现GPU容器无卡启动、升降GPU配置、扩缩容数据卷等功能，提供RESTful API。

类似于 AutoDL 中关于容器实例的操作。

项目地址：github.com/mayooot/gpu...

实现的功能

容器（Container）

• 创建 GPU 容器
• 创建无卡容器
• 升降容器 GPU 配置
• 升降容器 Volume 配置
• 停止容器
• 重启容器
• 在容器内部执行命令
• 删除容器
• 保存容器为镜像

卷（Volume）

• 创建指定容量大小的 Volume
• 删除 Volume
• 扩缩容 Volume

GPU

• 查看 GPU 使用情况

Port

• 查看已使用的端口号

效果 & 演示

演示部分接口，详情可见 GitHub。

创建一个 GPU 容器

我们创建一个名为 mankind 的容器。它的描述如下：

• name 为 mankind
• 使用 1 张 显卡
• 挂载 name 为 veil-0 的 Volume 到容器的 /root/veil-0 目录
• 挂载宿主机的 nfs 目录 /mynfs/data/ctr-mankind 到容器的 /root/data/ctr-mankind
• 注入一个name 为 USER 的环境变量，值为 foo
• 容器要暴露 22 端口到宿主机，以方便远程连接

可以看到接口返回 success，成功创建名为 mankind-0 的 1 卡容器（这里自动的为容器添加了版本号，目的是记录一下容器的当前版本）。

我们需要知道它暴露到宿主机上来的端口是多少，或者想要查看一下容器的其他信息。

通过调用 查看容器信息 接口，如下：

一切都很顺利，宿主机的 40000 端口映射到了容器的 22 端口。

如果我们进入容器并为它安装 SSH 服务，就可以很方便的通过如下的方式，来远程登录到容器。

ssh -p 40000 root@your_ip

当然我们还要验证一下，它是否能够使用 1 张 GPU 呢？通过执行下面的命令，发现在容器内部确实有 1 张 A100 的显卡可以使用。

$ docker exec mankind-0 nvidia-smi
Sun Dec 31 10:20:31 2023       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.12    Driver Version: 525.85.12    CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  NVIDIA A100 80G...  On   | 00000000:36:00.0 Off |                    0 |
| N/A   44C    P0    65W / 300W |  51819MiB / 81920MiB |      0%      Default |
|                               |                      |             Disabled |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
+-----------------------------------------------------------------------------+

升级容器的 GPU 配置

只演示升级 GPU 的过程，降低 GPU 的配置、有卡容器变无卡、无卡容器变有卡的操作，只需改变 gpuCount 的参数即可。详情可见GitHub 中的接口文档 gpu-docker-api-sample-interface.md 或导入 openapi.json到 Postman、Apifox。

在训练模型的时候发现，1 张 A100 满足不了我的需要，此时要升级到 3 卡容器才行。

我先为你描述一下上面创建的容器，它的目录结构是怎样的。如下：

名称	路径	性能	说明
系统盘	/	本地盘，快	容器停止后数据不会丢失。一般系统依赖和 Python 安装包都会在系统盘下，保存镜像时会保留这些数据。容器升降 GPU、Volume 配置后，数据会拷贝到新容器。
数据盘	/root/foo-tmp	本地盘，快	使用 Docker Volume 挂载，容器停止后数据不会丢失，保存镜像时不会保留这些数据。适合存放读写 IO 要求高的数据。容器升降 GPU、Volume 配置后，数据会拷贝到新容器。
文件存储	/root/foo-fs	网络盘，一般	可以实现多个容器文件同步共享，例如 NFS。

为了证明它升级 GPU 配置后，安装的软件和数据都存在，我们先进入到上面的容器。然后安装 Vim、Python，并在 /root/veil-0 目录下保存一些代码，如下所示：

$ docker exec -it mankind-0 bash

...
省略安装过程
...
$ vim --version | head -n 1
VIM - Vi IMproved 8.1 (2018 May 18, compiled Dec 07 2023 15:42:49)

$ python --version
Python 2.7.18

$ ls /root/veil-0/
main.py

$ python /root/veil-0/main.py 
Hello World!

调用升级 GPU 的接口：

可以看到 mankind-1 被创建出来，此时我们进入容器查看它可以使用多少张卡，安装的 Vim、Python，以及在 /root/veil-0 目录下保存一些代码是否还在。

$ docker exec -it mankind-1 bash

$ nvidia-smi 
Sun Dec 31 00:27:55 2023       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.12    Driver Version: 525.85.12    CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  NVIDIA A100 80G...  On   | 00000000:36:00.0 Off |                    0 |
| N/A   44C    P0    65W / 300W |  51819MiB / 81920MiB |      0%      Default |
|                               |                      |             Disabled |
+-------------------------------+----------------------+----------------------+
|   1  NVIDIA A100 80G...  On   | 00000000:3D:00.0 Off |                    0 |
| N/A   41C    P0    61W / 300W |  12355MiB / 81920MiB |      0%      Default |
|                               |                      |             Disabled |
+-------------------------------+----------------------+----------------------+
|   2  NVIDIA A100 80G...  On   | 00000000:91:00.0 Off |                    0 |
| N/A   39C    P0    46W / 300W |      0MiB / 81920MiB |      0%      Default |
|                               |                      |             Disabled |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
+-----------------------------------------------------------------------------+

$ vim --version | head -n 1
VIM - Vi IMproved 8.1 (2018 May 18, compiled Dec 07 2023 15:42:49)

$ python --version
Python 2.7.18

$ ls /root/veil-0/
main.py

$ python /root/veil-0/main.py 
Hello World!

很好！结果符合我们的预期。不同于 K8s 的滚动更新，mankind-0 容器还会存在，只不过它是暂停状态。

值得注意的是它映射到宿主机的端口会发生变化，由 40000 变成了 40001。之所以这样，是因为当我们对一个容器进行更新时，如果新版本的容器更新失败，旧版本的容器不应该被删除，而同一个宿主机端口号不能绑定到多个容器，所以重新获取一个端口号，俩个容器是相互独立的，当新容器启动成功后，再停止旧容器。

PS：例如容器从使用 1 张卡到使用 3 张卡的更新过程中，mankind 容器（不管版本号为 0 还是 1）都会持续占用已分配的 1 张卡。然后再去申请两张卡，当新容器创建成功后，再去停止旧容器。

这样做的好处有：

1. 当机器上空闲俩卡时，就能完成升级操作；

2. 升级失败后，它还是拥有 1 张卡，旧的容器没被暂停。如果升级时就释放卡、停止容器，卡被别的用户占用，就会很尴尬的造成新容器因为 GPU 资源不够未能启动，旧容器也同样启动不了；

升级容器的 Volume 配置

只演示升级 Volume 大小的过程，降低操作同理。

首先调用接口创建 Volume，指定 name 为 spill，大小为 20GB。

效果如下：

$ docker volume inspect spill-0
[
    {
        "CreatedAt": "2023-12-31T11:10:29Z",
        "Driver": "local",
        "Labels": null,
        "Mountpoint": "/localData/docker/volumes/spill-0/_data",
        "Name": "spill-0",
        "Options": {
            "size": "20GB"
        },
        "Scope": "local"
    }
]

然后创建一个容器将 spill-0 挂载到 /root/spill-0 目录下，如下：

我们进入到 contempt-0 容器的 /root/spill-0 目录下，生成一个 10GB 大小的文件。

$ docker exec -it contempt-0 bash

$ cd /root/spill-0/
$ dd if=/dev/zero of=test bs=1G count=10  
10+0 records in
10+0 records out
10737418240 bytes (11 GB, 10 GiB) copied, 6.2047 s, 1.7 GB/s
$ du -h test 
10G     test

接下来，先将 spill-0 Volume 扩容一倍。

$ docker volume inspect spill-1
[
    {
        "CreatedAt": "2023-12-31T11:17:09Z",
        "Driver": "local",
        "Labels": null,
        "Mountpoint": "/localData/docker/volumes/spill-1/_data",
        "Name": "spill-1",
        "Options": {
            "size": "40GB"
        },
        "Scope": "local"
    }
]

然后更改 contempt-0 容器的 Volume 配置。为了用户更好的体验，我们仍然将 spill-1 Volume 挂载到 /root/spill-0 目录下（可以任意填写 newBind 的 dest 字段，除了 / 目录）。

可以看到新的容器 contempt-1 已经启动。

我们进入容器并验证一下。可以看到结果如我们所愿。

$ docker exec -it contempt-1 bash

$ ls -al /root/spill-0/
total 10485760
drwxr-xr-x 2 root root          26 Dec 31 11:17 .
drwx------ 1 root root          68 Dec 31 11:11 ..
-rw-r--r-- 1 root root 10737418240 Dec 31 11:15 test
$ du -h /root/spill-0/test 
10G     /root/spill-0/test

获取宿主机GPU资源

在 Golang 中获取 NVIDIA GPU 信息，可以引入 go-nvml。

令人不爽的是，项目引入这个包后，在启动的时候会把我们的开发环境（比如我们的电脑）当成安装了 NVIDIA 驱动的环境。所以就会报错，程序无法启动。

为了解决这个问题，我写一个小工具，它很简单，只是调用 go-nvml 并提供一个 HTTP 接口。我们通过访问这个 HTTP 接口，即可在不更改本机驱动的情况下，调用 Liunx 服务的 GPU 信息。

项目地址：github.com/mayooot/det...

构建 & 运行

环境准备

1. 测试环境已经安装好 NVIDIA 显卡对应的驱动。
2. 确保你的测试环境已安装 NVIDIA Docker，安装教程：NVIDIA Docker 安装。
3. 为支持创建指定大小的 Volume，请确保 Docker 的 Storage Driver 为 Overlay2。创建并格式化一个分区为 XFS 文件系统，将挂载后的目录作为 Docker Root Dir。 详细说明：volume-size-scale.md
4. 确保你的测试环境已安装 ETCD V3，安装教程：ETCD。
5. 克隆并运行 detect-gpu。

release

你可以在直接下载 release 中合适的版本，然后直接执行。

或者按照以下步骤构建最新代码。

编译项目

git clone https://github.com/mayooot/gpu-docker-api.git
cd gpu-docker-api
make build

修改配置文件（可选）

vim etc/config.yaml

运行项目

./gpu-docker-api-${your_os}-amd64

架构

设计上受到了许多 Kubernetes 的启发和借鉴。

比如 K8s 将会资源（Pod、Deployment 等）的全量信息添加到 ETCD 中，然后使用 ETCD 的版本号进行回滚。

以及 Client-go 中的 workQueue 异步处理。

组件介绍

• gin：处理 HTTP 请求和接口路由。

• docker-client：和服务器的 Docker 交互。

• workQueue：异步处理任务，例如：

  • 创建 Container/Volume 后，将创建的全量信息添加到 ETCD。
  • 删除 Container/Volume 后，删除 ETCD 中关于资源的全量信息。
  • 升降 Container 的 GPU/Volume 配置后，将旧 Container 的数据拷贝到新 Container 中。
  • 升降 Volume 资源的容量大小后，将旧 Volume 的数据拷贝到新的 Volume 中。

• container/volume VersionMap：

  • 创建 Container 时生成版本号，默认为 0，当 Container 被更新后，版本号＋1。
  • 创建 Volume 时生成版本号，默认为 0，当 Volume 被更新后，版本号＋1。

  程序关闭后，会将 VersionMap 写入 ETCD，当程序再次启动时，从 ETCD 中拉取数据并初始化。

• gpuScheduler：分配 GPU 资源的调度器，将容器使用 GPU 的占用情况保存到 gpuStatusMap。

  • gpuStatusMap： 维护服务器的 GPU 资源，当程序第一次启动时，调用 detect-gpu 获取全部的 GPU 资源，并初始化 gpuStatusMap，Key 为 GPU 的UUID，Value 为使用情况，0 代表未占用，1 代表已占用。

  程序关闭后，会将 gpuStatusMap 写入 ETCD，当程序再次启动时，从 ETCD 中拉取数据并初始化。

• portScheduler：分配 Port 资源的调度器，将容器使用的 Port 资源保存到 usedPortSet。

  • usedPortSet: 维护服务器的 Port 资源，已经被占用的 Port 会被加入到这个 Set。

  程序关闭后，会将 usedPortSet 写入 ETCD，当程序再次启动时，从 ETCD 中拉取数据并初始化。

• docker：实际创建 Container、Volume等资源的组件，并安装了 NVIDIA Container Toolkit，拥有调度 GPU 的能力。

• etcd：保存 Container/Volume的全量创建信息，以及生成 mod_revision 等 Version 字段用于回滚资源的历史版本。存储在 ETCD 中资源如下：

  • /apis/v1/containers
  • /apis/v1/volumes
  • /apis/v1/gpus/gpuStatusMapKey
  • /apis/v1/ports/usedPortSet
  • /apis/v1/versions/containerVersionMapKey
  • /apis/v1/versions/volumeVersionMapKey

• dete-gpu：调用 go-nvml 的一个小工具，启动时会提供一个 HTTP 接口用于获取 GPU 信息。

架构图

最后

笔者也是初学 Golang，Docker，K8s。如果文章/代码有错误的地方，敬请斧正。

项目实现的原理具体可见：docs