实践教程

通过动手实践学习 HAMi。每个实验都是带真实输出的分步练习：你将亲手搭建集群、安装 HAMi，并验证 GPU 切分行为。

概念

实验所依赖的背景知识。

• GPU 软件栈全景：从硬件到 Kubernetes 调度的 5 层结构
• 理解 GPU 驱动：内核模块、NVML，以及自底向上的排障方法
• HAMi 集群架构：HAMi 集群中的每个组件及其作用

实验

实验 1: 在线安装 HAMi入门

在云虚拟机上从零搭建 GPU Kubernetes 集群并安装 HAMi。

约 60 分钟

实验 2: 本地 Fake GPU 安装 HAMi入门

在笔记本上学习 HAMi 控制面，无需 GPU。

约 30 分钟

实验 3: 使用 HAMi 进行 GPU 分区进阶

多个 Pod 共享一张 GPU，显存和算力限制可验证。

约 30 分钟

实验 4: 使用动态资源分配进行 GPU 切片高级

通过 Kubernetes 原生 Dynamic Resource Allocation 实现同样效果（实验性）。

约 45 分钟

实验 5: 使用 nvml-mock 进行 Fake-GPU 调度进阶

用 nvml-mock 模拟 8 张 A100 GPU 验证 HAMi 调度能力，无需真实 GPU。

约 40 分钟

实验 6: 在 HAMi GPU 分片上运行 vLLM 推理进阶

在已有 GPU 集群上安装 HAMi，并用 GPU 切分能力调度 vLLM 推理服务。

约 45 分钟

实验 7: 在 k3s 上不使用 GPU Operator 实现 GPU 隔离进阶

在单节点 k3s 上让多个 Pod 共享一张非 MIG GPU，并证明 HAMi-core 强制执行显存上限。

约 45 分钟

实验 8：Volcano vGPU、Gang 调度与队列限制高级

使用 Volcano vGPU 共享单张 GPU，并验证 Gang 调度和队列级 vGPU 资源限制。

约 60 分钟

Lab 10: GPU Topology-Aware Scheduling on Fake GPUs进阶

Simulate an asymmetric PCIe topology and verify HAMi's topology-aware scheduler avoids a poorly-connected GPU for multi-GPU requests and picks it for single-GPU requests, no real GPU required.

约 45 分钟

每个实验都列出了各自的前提条件。实验 3 和 4 直接复用实验 1 搭建的集群，一次开机即可完成全部三个实验；实验 2 可在任意笔记本上运行，无需 GPU。实验 7 在租用的 GPU 虚拟机上自行搭建单节点 k3s 集群，不使用 GPU Operator。实验 8 需要已有的 Volcano GPU 集群，用于验证 Volcano vGPU、Gang 调度和队列级资源限制。