gpu-admission 源码分析

gpu-admission 源码分析

简介

Gpu-admission提供调度扩展器，基于default-scheduler预选出来的节点，进⾏筛选

因此我们⾸先找到⼊⼝函数，即pkg/predicate/gpu_predicate.go下的Filter函数

pkg/predicate/gpu_predicate.go ⽤于预选出适合的gpu节点（只有⼀个，因此不需要优选）和device，并写⼊到pod的注解中

⽀持两个过滤器，quota和device。以deviceFilter为例

⾸先对默认调度穿过来的node列表进⾏排序。根据每个节点上的pod信息，重新构建node信息。然后按照可使⽤资源由少到多进⾏排序。

接下来调⽤algorithm的Allocate函数为container分配gpu设备。最终将分配的node和gpu信息写⼊pod的annoatation中。

我们重点分析Allocate()函数，进⼊Pkg/algorithm/allocate.go

func (alloc *allocator) Allocate(pod *v1.Pod) (*v1.Pod, error) {

Allocate函数遍历pod的所有container，逐个分配device，实际的分配⼯作是有AllocateOne函数完成，返回选择后的device列表。

我们进⼀步深⼊到AllocateOne函数中

func (alloc *allocator) AllocateOne(container *v1.Container) ([]*device.DeviceInfo, error) {

//尝试分配需要gpu资源的container

//获取该node的总共内存，device的个数等

如果needCores⼩于100，则共享模式为true。

共享模式下，调⽤pkg/algorithm/share.go的Evaluate函数，按照每块device可⽤的core数由少到多的顺序进⾏排序，选出满⾜core和memory的那个device卡

若needcores为100的整数倍，则为⾮共享模式。该模式下，调⽤pkg/algorithm/exclusive.go下的Evaluate()函数为container分配gpu卡。

同样先对本node上的所有gpu按照core的可⽤个数由少到多进⾏排序。然后逐个过滤各块卡。如果是块空卡（即没有应⽤在使⽤它），则加⼊到devs列表中。直到找到n（needcores/100）块空卡.。如果没有找到n块，则失败。

如果是⾮共享模式，记录vcore为100，vmemory为deviceTotalMemory

最后更新本node上的gpu设备已使⽤资源信息。

其他：

pkg/device/deviceInfo.go：

记录gpu设备的id、totalMemory、usedMemory、usedCore。并提供以下三个函数

AddUsedResources // 更新设备的已使⽤core和memory记录；

AllocatableCore() // 获取设备的剩余core

AllocatableMemory() //获取设备的剩余memory

​

pkg/device/nodeInfo.go：

⽤于构建node信息（每次调度的时候都会调⽤）。遍历节点上的所有pod和每个pod中的container，获取已经分配出去core和memory信息。

初始化每个device的totalMemory是所有内存的平均值，因此gpu-admission假设的前提是node上所有gpu设备的内存是⼀样⼤的。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。