Gestire i cluster GKE ottimizzati per l'AI

GPU in cluster

Questa pagina mostra come gestire i cluster Google Kubernetes Engine (GKE) ottimizzati per l'AI di macchine A4X Max, A4X, A4, A3 Ultra, A3 Mega e A3 High (8 GPU), inclusi i seguenti eventi comuni pertinenti ai cluster GKE e ai workload AI:

• Manutenzione dell'host
• Upgrade dei cluster
• Segnalazione di host difettosi

Nota: la segnalazione di host difettosi non è supportata per le GPU per uso generico.

Gestire la manutenzione dell'host per i workload AI

I nodi GKE vengono eseguiti su istanze Compute Engine che periodicamente subiscono eventi dell'host che possono interrompere i workload AI. Poiché gli eventi dell'host si verificano nell'infrastruttura sottostante Google Cloud , ignorano i periodi di manutenzione e le esclusioni di GKE. Sebbene la maggior parte delle istanze di computing abbia la policy di manutenzione dell'host impostata sulla migrazione live, che riduce al minimo l'interruzione dei workload, le GPU e le TPU non supportano la migrazione live. Quando questi eventi dell'host interessano i nodi GKE che eseguono workload AI, GKE deve terminare il nodo e i pod in esecuzione sul nodo. Se i pod vengono sottoposti a deployment come parte di un workload più grande, come un job o un deployment, GKE tenta di riavviarli sul nodo interessato.

Per saperne di più sulla gestione della manutenzione dell'host delle istanze di computing, consulta Gestire l'interruzione dei nodi GKE per GPU e TPU.

Monitorare gli eventi di manutenzione dell'host

Per i cluster che eseguono GKE versione 1.31.1-gke.2008000 o successive, puoi visualizzare l'ora di inizio pianificata dell'evento di manutenzione dell'host nel seguente modo. L'ora di inizio è rappresentata dalle etichette dei nodi Kubernetes sul nodo GKE corrispondente per tutte le GPU e le TPU.

Per maggiori dettagli, consulta Monitorare le notifiche di manutenzione.

Con queste etichette dei nodi, puoi:

• Avviare manualmente un evento di manutenzione dell'host
• Utilizzare le informazioni sugli eventi di manutenzione dell'host durante la pianificazione dei workload

Avviare manualmente un evento di manutenzione dell'host

Dopo che Compute Engine invia una notifica relativa a un evento di manutenzione pianificato, puoi avviare manualmente la manutenzione in un momento che si allinea alla tua pianificazione. Ad esempio, puoi scegliere di eseguire la manutenzione durante i periodi di attività ridotta.

Se non avvii manualmente un evento di manutenzione dell'host, Compute Engine completerà automaticamente la manutenzione pianificata regolarmente.

Segui le istruzioni per avviare manualmente un evento di manutenzione dell'host. Inoltre, continua a leggere questa sezione per scoprire quanto segue:

• Configurare GKE per terminare i workload in modo controllato
• Processo di terminazione controllata
• Monitorare l'avanzamento di una terminazione controllata attiva

Utilizzare le informazioni sulla manutenzione dell'host durante la pianificazione dei workload

Puoi utilizzare le informazioni sulla manutenzione visualizzate tramite le etichette dei nodi GKE insieme all'affinità e all' anti-affinità dei nodi per ridurre al minimo l'interruzione dei workload.

Nelle sezioni seguenti sono riportati esempi di come utilizzare queste informazioni.

Pianificare i pod sui nodi che non hanno eventi di manutenzione pianificati futuri

Puoi indicare a GKE di pianificare i pod solo sui nodi che non hanno eventi di manutenzione pianificati futuri, ad esempio con il seguente snippet:

spec:
  affinity:
    nodeAffinity:
      requiredDuringSchedulingIgnoredDuringExecution:
        nodeSelectorTerms:
        - matchExpressions:
          - key: cloud.google.com/scheduled-maintenance-time
            operator: DoesNotExist

Pianificare i pod sui nodi per cui è pianificata la manutenzione dopo una determinata data

Puoi indicare a GKE di pianificare i pod solo sui nodi per cui è pianificata la manutenzione dopo una determinata data fornendo l'ora dell'epoca di Unix:

spec:
  affinity:
    nodeAffinity:
      requiredDuringSchedulingIgnoredDuringExecution:
        nodeSelectorTerms:
        - matchExpressions:
          - key: cloud.google.com/scheduled-maintenance-time
            operator: Gt
            values:
            - 1733296000

Gestire gli upgrade dei cluster GKE per i workload AI

I workload AI sono sensibili alle interruzioni.

Durante il ciclo di vita di un cluster GKE, i workload AI devono essere preparati per le interruzioni sia delle istanze di computing sottostanti sia del cluster GKE stesso:

• Manutenzione dell'host: per gestire la manutenzione dell'host delle istanze di computing sottostanti, consulta Gestire l'interruzione dei nodi GKE per GPU e TPU. Questo è descritto anche nelle sezioni precedenti.
• Upgrade dei cluster: per gestire le interruzioni dovute agli upgrade dei cluster, puoi utilizzare i seguenti strumenti:
  • Periodi di manutenzione: pianifica quando GKE può eseguire gli upgrade dei cluster e altri tipi di operazioni sui cluster.
  • Esclusioni di manutenzione: impedisci gli upgrade dei cluster e altri tipi di operazioni sui cluster durante un periodo di tempo specifico.

Ti consigliamo di mantenere il cluster registrato in un canale di rilascio. Per impostazione predefinita, i cluster GKE sono registrati nel canale di rilascio Regular. Per saperne di più sui vantaggi dei canali di rilascio, consulta il Confronto tra cluster registrati e non registrati in un canale di rilascio.

Con i canali di rilascio, hai accesso a più funzionalità, inclusi ambiti di esclusione della manutenzione aggiuntivi. Ti consigliamo l'ambito "Nessun upgrade secondario o dei nodi" per i workload AI.

Segnalare host difettosi tramite GKE

Questa sezione descrive come segnalare, tramite GKE, un host difettoso che ha istanze di computing di cui è stato eseguito il provisioning utilizzando il modello di provisioning vincolato alla prenotazione. Se vuoi segnalare un host difettoso per un nodo di cui è stato eseguito il provisioning utilizzando il modello di provisioning con avvio flessibile (anteprima), contatta il team dedicato all'account.

Se osservi errori di memoria GPU o Xid su un nodo e vuoi verificare se le misure di ripristino manuale, come l'attivazione di un riavvio del sistema operativo guest (kubectl label nodes <NODE_NAME> cloud.google.com/perform-reboot=true), possono risolvere il problema prima di segnalare l'host come difettoso, consulta Esaminare i messaggi Xid.

Attenzione: la segnalazione di un host difettoso è un'azione che interrompe la VM. Prima di segnalare un host, esamina attentamente l'ambiente per identificare la causa principale del problema. Segnala l'host come difettoso solo se non hai alternative per risolvere il problema.

Un host è una singola macchina server fisica nel data center che esegue un'istanza di computing che ospita il nodo GKE. Puoi segnalare gli host difettosi applicando un'etichetta del nodo fault-behavior al nodo GKE interessato. Dopo aver applicato l'etichetta del nodo a un determinato nodo GKE, GKE esegue i seguenti passaggi:

1. Rimuove in modo controllato i workload dal nodo.
2. Impedisce la pianificazione di nuovi pod sul nodo.
3. Chiama l'API sull'istanza di computing per contrassegnare l'host come difettoso.
4. Attende che l'istanza di computing venga ripristinata su una macchina host integra. Per le prenotazioni che utilizzano la modalità operativa di prenotazione all capacity, Compute Engine ripristina l'istanza di computing sullo stesso nodo al termine dell'operazione di riparazione.
5. Rimuove l'incompatibilità e l'etichetta fault-behavior dal nodo.

Dopodiché, il nodo sarà di nuovo pronto per erogare i workload.

Requisiti

Per segnalare un host difettoso, il nodo GKE deve soddisfare i seguenti requisiti:

• Devi eseguire la versione patch GKE 1.32.3-gke.1057001 o successive.
• Devi eseguire uno dei seguenti tipi di macchine GPU: A4X Max, A4X, A4, A3 Ultra, A3 Mega e A3 High (8 GPU).
• Devi eseguire i nodi GKE su un'istanza di computing che è vincolata alla prenotazione.
• Il nodo GKE deve essere nello stato RUNNING. Se provi a segnalare un host difettoso dopo aver eliminato l'istanza di computing, viene restituito un messaggio di errore e la macchina host non viene contrassegnata come difettosa.
• Potresti essere soggetto a limitazione di frequenza per il numero di chiamate a questa API per prenotazione al mese in base a una valutazione dell'integrità dei blocchi. Le limitazioni di frequenza non si applicano se la prenotazione utilizza la modalità operativa di prenotazione all capacity.

Segnalare un host difettoso

Nota: i dati SSD locali verranno eliminati al termine della chiamata API, poiché l'istanza di computing cambia host. Ti consigliamo di eseguire il backup dei dati SSD locali prima di segnalare un nodo difettoso tramite GKE.

Per segnalare un host difettoso:

1. Utilizza gli strumenti di osservabilità di GKE, i tuoi strumenti di monitoraggio o i log per identificare i nodi GKE che presentano problemi di prestazioni. Salva NODE_NAME.

2. Segnala il nodo come difettoso utilizzando il seguente comando. Puoi fornire un motivo e, nelle versioni successive, una descrizione:

   Importante: dopo aver segnalato un host come difettoso, non inviare altre richieste finché l'operazione non è completata. GKE rifiuta le richieste aggiuntive mentre l'operazione è in corso.

     kubectl patch node NODE_NAME --type merge -p '{
       "metadata": {
         "labels": {
           "cloud.google.com/fault-behavior": "FAULT_REASON"
         },
         "annotations": {
           "cloud.google.com/fault-description": "FAULT_DESCRIPTION"
         }
       }
     }'
   

   Modifica il comando come segue:

   • Sostituisci NODE_NAME con il nome del nodo difettoso.
   • Sostituisci FAULT_REASON con il motivo del guasto appropriato utilizzando uno o più dei seguenti valori:
     • PERFORMANCE: utilizza questo valore se le GPU su un'istanza di computing hanno prestazioni inferiori rispetto ad altre GPU nel cluster e non vedi errori XID nei log e non viene rilevato nessuno degli altri pattern di errore comuni, come il danneggiamento silenzioso dei dati.
     • SDC: utilizza questo valore per il danneggiamento silenzioso dei dati, se vedi il danneggiamento dei dati ma nessun arresto anomalo del sistema. Questo danneggiamento dei dati può essere causato da difetti della CPU, bug software come use-after-free o memory stomping, problemi del kernel o altri difetti. Il più delle volte, questo termine viene utilizzato per fare riferimento a difetti indotti dall'hardware.
     • XID: utilizza questo valore se hai identificato un errore GPU non recuperabile con un XID per un'istanza di computing.
     • unspecified: utilizza questo valore se non sai quale comportamento sta causando il problema con l'istanza di computing. Questo è il valore predefinito. Tuttavia, ti consigliamo di specificare uno degli altri valori, se applicabile.
   • Modifica il blocco annotations in base alla versione del piano di controllo del cluster GKE :
     • 1.35.6-gke.1017000 o versioni successive oppure 1.36.0-gke.3251000 o versioni successive: mantieni il blocco delle annotazioni e sostituisci FAULT_DESCRIPTION con una descrizione testuale del guasto osservato. Può includere il codice di errore XID, i sintomi o i timestamp. Questa descrizione viene inoltrata a Compute Engine per facilitare la diagnostica della riparazione ed è rimossa automaticamente dal nodo al termine dell'operazione. Ad esempio: GPU XID 48 observed on device nvidia0 at 2026-06-10T10:30:00Z.
     • Versioni precedenti: rimuovi l'intero blocco annotations da il comando. Il campo fault-description non viene inoltrato a Compute Engine in queste versioni e non viene rimosso automaticamente dal nodo. Contatta invece il team dedicato all'account o l'assistenza clienti Google Cloud per fornire i dettagli del guasto.

Dopo aver segnalato un host difettoso per un nodo, il tempo di riavvio del nodo varia in base alla modalità operativa di prenotazione specificata nella prenotazione utilizzata dal nodo. Per verificare la modalità operativa di prenotazione per una prenotazione, visualizza il reservationOperationalMode campo nella prenotazione. La tabella seguente riassume il processo di host difettoso per le due modalità operative di prenotazione disponibili: modalità all capacity e modalità gestita.

	Modalità All capacity (ALL_CAPACITY)	Modalità gestita (HIGHLY_AVAILABLE_CAPACITY)
Tipi di macchine supportati	A4X Max e A4X	A4, A3 Ultra, A3 Mega e A3 High
Limitazione di frequenza dell'API di segnalazione di host difettosi	Non si applicano limiti di frequenza.	Le chiamate all'API potrebbero essere soggette a limitazione di frequenza.
Processo di segnalazione di host difettosi	Quando segnali un host difettoso per un nodo in esecuzione in modalità all capacity, si verifica quanto segue: quanto segue: Rimuovi i pod: dopo che l'etichetta viene applicata al nodo difettoso, GKE applica un'incompatibilità al nodo per bloccare la pianificazione di nuovi pod. GKE inizia anche a rimuovere in modo controllato i pod in esecuzione sul nodo. GKE respects the Pod Disruption Budgets (PDBs) and the spec.terminationGracePeriodSeconds field of your Pod manifests. Per maggiori dettagli, consulta Configurare GKE per terminare i workload in modo controllato. Segnala e ripara l'host difettoso: GKE segnala e ripara automaticamente l'host difettoso chiamando l'API Compute Engine, il che comporta una sequenza di operazioni che in genere richiede 10-12 minuti per segnalare l'host difettoso e poi può richiedere 3-14 giorni, o anche di più a volte, per riparare l'host. Riavvia l'istanza: al termine dell'operazione di riparazione dell'host completes (in genere 3-14 giorni), si verifica una delle seguenti condizioni: Se l'istanza è nello stato REPAIRING e le risorse sono disponibili al termine della riparazione, Compute Engine riavvia automaticamente l'istanza sull'host riparato. In caso contrario, se l'istanza è nello stato TERMINATED o se le risorse non sono disponibili al termine della riparazione, lo stato dell'istanza rimane o cambia in TERMINATED. Devi riavviare manualmente l'istanza quando vuoi che venga eseguita. Tuttavia, il riavvio dell'istanza potrebbe non riuscire se le risorse non sono disponibili al momento del riavvio; ad esempio, questo può accadere se altre istanze stanno già utilizzando l'host riparato.	Quando segnali un host difettoso per un nodo in esecuzione in modalità gestita, si verifica quanto segue: Rimuovi i pod: dopo che l'etichetta viene applicata al nodo difettoso, GKE applica un'incompatibilità al nodo per bloccare la pianificazione di nuovi pod. GKE inizia anche a rimuovere in modo controllato i pod in esecuzione sul nodo. GKE respects the budget di interruzione dei pod (PDB) e il spec.terminationGracePeriodSeconds campo dei manifest dei pod. Per maggiori dettagli, consulta Configurare GKE per terminare i workload in modo controllato. Segnala e avvia la riparazione dell'host difettoso: GKE segnala e ripara automaticamente l'host difettoso chiamando l'API Compute Engine, il che comporta una sequenza di operazioni che in genere richiede 10-12 minuti per segnalare l'host difettoso e poi può richiedere 3-14 giorni, o anche di più a volte, per riparare l'host. Esegui la migrazione e riavvia l'istanza: dopo l' avvio dell'operazione di riparazione dell'host (in genere 10-12 minuti), Compute Engine tenta di prenotare un altro host per sostituire l'host difettoso segnalato nella capacità riservata. Se Compute Engine trova un host integro, ovvero se sostituisce correttamente l'host difettoso o trova un host integro corrispondente nella capacità riservata, esegue la migrazione dell'istanza a quell'host. Il riavvio dell'istanza avviene quindi in uno dei seguenti modi: Se l'istanza è nello stato REPAIRING e le risorse sono disponibili prima o al termine della riparazione, Compute Engine riavvia automaticamente l'istanza su un host integro. In caso contrario, se l'istanza è nello stato TERMINATED o se le risorse non sono disponibili prima o al termine della riparazione, lo stato dell'istanza rimane o cambia in TERMINATED. Devi riavviare manualmente l'istanza quando vuoi che venga eseguita. Tuttavia, il riavvio dell'istanza potrebbe non riuscire se le risorse non sono disponibili al momento del riavvio; ad esempio, questo può accadere se altre istanze stanno già utilizzando l'host riparato.

Monitorare l'avanzamento dell'operazione

Puoi monitorare l'avanzamento dell'operazione di GKE utilizzando l'etichetta del nodo cloud.google.com/report-and-replace-status sul nodo GKE, che ha uno dei seguenti valori:

• PodsEvicted: GKE ha terminato la rimozione dei pod dal nodo interessato.
• OperationRUNNING: l'operazione per segnalare l'host difettoso è in esecuzione.
• OperationDONE: l'host sottostante è stato segnalato come difettoso e il nodo GKE è pronto per essere spostato su un nuovo host.
• OperationFAILED: l'API sull'istanza di computing non è riuscita a causa di limiti di quota o altri problemi dell'infrastruttura. Per comprendere l'errore, consulta Risolvere i problemi relativi agli errori dell'API di segnalazione di host difettosi. Per scoprire come eseguire il ripristino, consulta Gestire gli errori di segnalazione e sostituzione.
• Error: la chiamata API non è riuscita perché la richiesta non soddisfaceva uno dei requisiti descritti nella sezione precedente.

Puoi anche visualizzare l'etichetta del nodo node.gke.io/report-and-replace-operation per visualizzare l'ID dell'operazione Compute Engine per monitorare lo stato dell' operazione.

Puoi visualizzare entrambe queste etichette dei nodi utilizzando il seguente comando:

  kubectl get nodes NODE_NAME \
  -L cloud.google.com/report-and-replace-status,node.gke.io/report-and-replace-operation

Se si verifica un errore API, GKE imposta l'etichetta del nodo cloud.google.com/report-and-replace-status su Error. Se si verifica un errore dell'operazione, GKE imposta l'etichetta su OperationFAILED. In entrambi i casi, GKE rimuove l'etichetta del nodo cloud.google.com/fault-behavior. Inoltre, in GKE versione 1.35.6-gke.1256000 o successive oppure 1.36.0-gke.4060000 o successive, GKE applica un'incompatibilità cloud.google.com/report-and-replace-failed:NoSchedule al nodo. Questa incompatibilità impedisce la pianificazione di nuovi pod sul nodo, garantendo che i workload non vengano inseriti su un nodo con un host potenzialmente difettoso. Per scoprire di più, consulta Gestire gli errori di segnalazione e sostituzione.

Per scoprire come monitorare lo stato dettagliato di un'operazione di segnalazione di host difettosi, consulta Esaminare le operazioni di segnalazione di host difettosi.

Gestire gli errori di segnalazione e sostituzione

Quando un'operazione di segnalazione e sostituzione non riesce, GKE applica l'incompatibilità cloud.google.com/report-and-replace-failed:NoSchedule al nodo interessato. Questa incompatibilità mantiene il nodo isolato in modo che non vengano pianificati nuovi workload mentre l'host sottostante potrebbe essere ancora difettoso.

Verificare la presenza dell'incompatibilità di errore

Per verificare se un nodo ha l'incompatibilità di errore di segnalazione e sostituzione, esegui il seguente comando:

  kubectl describe node NODE_NAME | grep "report-and-replace-failed"

Eseguire il ripristino da un errore di segnalazione e sostituzione

Per eseguire il ripristino da un errore di segnalazione e sostituzione, esegui una delle seguenti operazioni:

• Riprova l'operazione riapplicando l'etichetta cloud.google.com/fault-behavior al nodo. Se il tentativo riesce, GKE rimuove automaticamente l'incompatibilità cloud.google.com/report-and-replace-failed:NoSchedule:

    kubectl label node NODE_NAME cloud.google.com/fault-behavior=FAULT_REASON
  

• Rimuovi manualmente l'incompatibilità se hai stabilito che il nodo è integro o se vuoi ripristinarlo:

    kubectl taint nodes NODE_NAME cloud.google.com/report-and-replace-failed:NoSchedule-
  

Passaggi successivi

• Scopri come pianificare i workload GKE con la Topology Aware Scheduling.

• Scopri come ottimizzare la rete dei cluster utilizzando NCCL/gIB.

• Scopri come risolvere i problemi relativi agli errori dell'API di segnalazione di host difettosi.