实验 5: 使用 nvml-mock 进行 Fake-GPU 调度

进阶时长：约 40 分钟环境： Linux/macOS 配合 kind · 无需真实 GPU费用：免费验证于： 2026-06-13作者： @maishivamhoo123

本实验使用 NVIDIA 的 nvml-mock 库在本地 kind 集群中模拟一个高端 GPU 节点——8 张虚拟 A100 GPU。你将直接基于 main 分支构建 HAMi，然后验证 GPU 调度功能：共享、显存/算力限制、百分比显存申请以及多 GPU 分配——全部无需物理硬件。

你将得到什么

完成本实验后，你将得到一个本地 Kubernetes 集群：

nvml-mock 让节点上报 8 张虚拟 A100 GPU（HAMi 将每张物理 GPU 切成 10 个虚拟槽位后，节点显示 nvidia.com/gpu: 80）
HAMi device-plugin 和调度器使用当前 main 分支镜像运行
验证的 Pod 包括：单 GPU、GPU 共享、显存/算力限制、百分比显存以及多 GPU 分配

备注

此环境中不存在真实的 CUDA 运行时。Pod 使用 busybox 并设置 CUDA_DISABLE_CONTROL=true，以阻止 HAMi 的控制库尝试真实设备访问。显存和算力限制的运行时强制执行仍需要物理 GPU。

安装全景图

整个安装过程共 10 步：

Fake-GPU 调度安装全景图

步骤	目的	解决什么问题
创建 kind 集群	引导本地 Kubernetes	提供测试环境
构建并部署 nvml-mock	模拟 8 张虚拟 A100 GPU	无需硬件即可发现 GPU
基于 main 构建 HAMi	编译最新的调度器和 device-plugin	确保 MIG 修复已包含在内
部署 HAMi	安装控制面组件	启用 GPU 切分和调度
验证 GPU 资源	检查 `nvidia.com/gpu: 80`	确认虚拟 GPU 槽位已注册
基础 GPU 调度	单 GPU Pod 分配	验证调度器基本功能
GPU 共享	在同一 GPU 上时间片共享 4 个 Pod	测试并发 GPU 访问
显存与算力限制	强制执行 `gpumem` 和 `gpucores`	验证资源约束
百分比显存	申请 30% GPU 显存	测试百分比分配
多 GPU 分配	单 Pod 绑定 2 张 GPU	验证多 GPU 绑定

前提条件

macOS
Linux (Ubuntu)

macOS，Intel 或 Apple Silicon 均可
已安装并运行 Docker Desktop 或 OrbStack
可使用 Homebrew

安装前提工具：

brew install kind kubectl helm git go

验证版本：

kind version                     # 0.20+
kubectl version --client --short # 1.31+
helm version                     # 3.x
go version                       # 1.21+

Ubuntu 20.04 LTS 或更高版本，x86_64
已安装并运行 Docker Engine

安装前提工具：

# kind
KIND_VERSION=v0.23.0
curl -Lo ./kind "https://kind.sigs.k8s.io/dl/${KIND_VERSION}/kind-linux-amd64"
chmod +x ./kind && sudo mv ./kind /usr/local/bin/kind

# kubectl
curl -LO "https://dl.k8s.io/release/$(curl -L -s https://dl.k8s.io/release/stable.txt)/bin/linux/amd64/kubectl"
sudo install -o root -g root -m 0755 kubectl /usr/local/bin/kubectl && rm kubectl

# Helm
curl https://raw.githubusercontent.com/helm/helm/main/scripts/get-helm-3 | bash

# Go
GO_VERSION=1.24.0
curl -LO "https://go.dev/dl/go${GO_VERSION}.linux-amd64.tar.gz"
sudo rm -rf /usr/local/go && sudo tar -C /usr/local -xzf go${GO_VERSION}.linux-amd64.tar.gz
echo 'export PATH=$PATH:/usr/local/go/bin' >> ~/.bashrc && source ~/.bashrc

验证版本：

kind version                     # 0.20+
kubectl version --client --short # 1.31+
helm version                     # 3.x
go version                       # 1.21+

提示

Windows 用户请使用 WSL2 配合 Ubuntu，并按照上面的 Linux 选项卡操作。

步骤 1：创建 kind 集群

kind create cluster --name nvml-mock-test

设置一次 NODE_NAME 变量——后续所有命令都会用到它：

NODE_NAME=$(kubectl get nodes -o jsonpath='{.items[0].metadata.name}')
echo "NODE_NAME=${NODE_NAME}"

示例输出：

NODE_NAME=nvml-mock-test-control-plane

步骤 2：构建并部署 nvml-mock

nvml-mock 提供一个虚假的 libnvidia-ml.so、虚拟的 /dev/nvidia* 设备节点以及 PCI 拓扑条目，让 HAMi 的 device-plugin 在节点上看到 8 张 A100 GPU。

2.1 克隆并构建

git clone https://github.com/NVIDIA/k8s-test-infra.git
cd k8s-test-infra
docker build -t nvml-mock:local -f deployments/nvml-mock/Dockerfile .

备注

首次构建会下载基础镜像层，可能需要 5–10 分钟。后续构建会使用 Docker 层缓存。

2.2 加载到 kind

kind load docker-image nvml-mock:local --name nvml-mock-test

2.3 通过 Helm 安装

helm install nvml-mock oci://ghcr.io/nvidia/k8s-test-infra/chart/nvml-mock \
  --set image.repository=nvml-mock \
  --set image.tag=local \
  --wait --timeout 120s

该 Chart 默认配置 A100 配置文件：每节点 8 张 GPU，驱动版本 550.163.01，虚假驱动根目录位于 /var/lib/nvml-mock/driver。这个驱动根路径会在步骤 4 中传给 HAMi。

2.4 验证 GPU 发现

kubectl get node ${NODE_NAME} \
  -o custom-columns=NAME:.metadata.name,GPU_PRESENT:.metadata.labels.nvidia\\.com/gpu\\.present

预期输出：

NAME                             GPU_PRESENT
nvml-mock-test-control-plane     true

步骤 3：基于 `main` 分支构建 HAMi

main 分支包含一个修复：当未启用 MIG 时，阻止调用 nvidia-mig-parted。从源码构建可确保该修复已包含在内，无需等待正式发布版本。

3.1 克隆并初始化子模块

cd ~
git clone https://github.com/Project-HAMi/HAMi.git
cd HAMi
git submodule update --init --recursive

3.2 构建 Docker 镜像

docker build -t hami:local -f docker/Dockerfile .

备注

HAMi 使用三阶段 Dockerfile：Go 构建阶段、CUDA 库构建阶段以及最终运行时阶段。首次构建需要数分钟，因为它要拉取 CUDA 基础镜像；后续运行会使用层缓存。

3.3 加载到 kind

kind load docker-image hami:local --name nvml-mock-test

调度器和 device-plugin 二进制文件都打包在单个 hami:local 镜像中。

步骤 4：部署 HAMi

4.1 通过 Helm 安装

helm install hami ./charts/hami \
  -n kube-system \
  --set devicePlugin.image.repository=hami \
  --set devicePlugin.image.tag=local \
  --set scheduler.image.repository=hami \
  --set scheduler.image.tag=local \
  --set devicePlugin.nvidiaDriverRoot=/var/lib/nvml-mock/driver \
  --set scheduler.kubeScheduler.imageTag=v1.35.0

devicePlugin.nvidiaDriverRoot 让 HAMi 指向由 nvml-mock 安装的虚假驱动库。

4.2 给节点打标签

注意

device-plugin 启动前必须执行此操作 HAMi device-plugin DaemonSet 的 NODE SELECTOR 为 gpu=on。如果没有这个标签，DESIRED 会保持为 0，不会调度任何 Pod，也不会注册任何 GPU。

kubectl label node ${NODE_NAME} gpu=on

确认 DaemonSet 现在调度了一个 Pod：

kubectl -n kube-system get daemonset hami-device-plugin

预期输出：

NAME                 DESIRED   CURRENT   READY   UP-TO-DATE   AVAILABLE   NODE SELECTOR   AGE
hami-device-plugin   1         1         0       1            0           gpu=on          4m22s

4.3 设置 NVML 设备发现策略

kubectl -n kube-system set env daemonset/hami-device-plugin \
  -c device-plugin \
  DEVICE_DISCOVERY_STRATEGY=nvml

这告诉 device-plugin 通过 NVML API 枚举 GPU，而不是扫描 /dev。否则插件默认使用基于文件的策略，无法看到 nvml-mock 的虚拟设备。

4.4 滚动发布并验证

kubectl -n kube-system rollout restart daemonset/hami-device-plugin
kubectl -n kube-system rollout status daemonset/hami-device-plugin --timeout=120s

检查是否有 MIG 相关错误——空响应即为预期输出：

kubectl -n kube-system logs daemonset/hami-device-plugin -c device-plugin | grep -i mig

检查 Pod 整体状态：

kubectl -n kube-system get pods -l app.kubernetes.io/name=hami

预期输出：

NAME                              READY   STATUS             RESTARTS   AGE
hami-device-plugin-lbctx          1/2     CrashLoopBackOff   6          9m24s
hami-scheduler-7858c744cc-7pb79   2/2     Running            0          13m

备注

vgpu-monitor sidecar 会崩溃，因为它需要真实的 GPU 监控基础设施。device-plugin 容器运行正常——此处 1/2 是预期状态，不影响 GPU 调度。

步骤 5：验证 GPU 资源

HAMi 将每张物理 GPU 切分成 10 个虚拟槽位。节点有 8 张物理 GPU，因此应该对外提供 80 个可分配的虚拟 GPU。

kubectl describe node ${NODE_NAME} | grep nvidia.com/gpu

预期输出：

                    nvidia.com/gpu.present=true
  nvidia.com/gpu:     80
  nvidia.com/gpu:     80
  nvidia.com/gpu     0           0

Capacity 和 Allocatable 都显示 80，确认 device-plugin 已注册全部虚拟 GPU 槽位。最后一行是 Allocated resources 表——当前为 0，因为还没有 Pod 申请 GPU。

步骤 6：测试基础 GPU 调度

部署一个最小化的 Pod，申请一张 GPU。CUDA_DISABLE_CONTROL=true 阻止 HAMi 注入的 CUDA shim 尝试真实设备访问：

kubectl apply -f - <<'EOF'
apiVersion: v1
kind: Pod
metadata:
  name: gpu-test-1
spec:
  containers:
  - name: sleep
    image: busybox
    command: ["sleep", "3600"]
    env:
    - name: CUDA_DISABLE_CONTROL
      value: "true"
    resources:
      limits:
        nvidia.com/gpu: 1
EOF

等待 Pod 运行：

kubectl get pod gpu-test-1 -w

预期输出：

NAME         READY   STATUS    RESTARTS   AGE
gpu-test-1   1/1     Running   0          9s

验证分配注解：

kubectl describe pod gpu-test-1 | grep vgpu-devices-allocated

预期输出：

hami.io/vgpu-devices-allocated: GPU-12345678-1234-1234-1234-123456780006,NVIDIA,40960,100:;

注解格式为 <UUID>,<厂商>,<显存MiB>,<算力>。A100 GPU 有 40960 MiB 显存——看到这个注解即确认调度器分配并记录了一个虚拟 GPU。

步骤 7：测试 GPU 共享（时间片）

再部署三个 Pod，每个申请 1 张 GPU：

for i in 2 3 4; do
kubectl apply -f - <<EOF
apiVersion: v1
kind: Pod
metadata:
  name: gpu-test-$i
spec:
  containers:
  - name: sleep
    image: busybox
    command: ["sleep", "3600"]
    env:
    - name: CUDA_DISABLE_CONTROL
      value: "true"
    resources:
      limits:
        nvidia.com/gpu: 1
EOF
done

注意

循环内请使用 <<EOF，而不是 <<'EOF' 单引号分隔符会抑制 shell 展开。$i 不会被替换，三个 Pod 都会得到相同的名字。

验证所有 Pod 都在运行：

kubectl get pods | grep gpu-test

预期输出：

gpu-test-1   1/1     Running   0          3m19s
gpu-test-2   1/1     Running   0          10s
gpu-test-3   1/1     Running   0          10s
gpu-test-4   1/1     Running   0          9s

四个 Pod 并发运行在 80 个虚拟 GPU 槽位的资源池上。调度器通过各自独立的 vgpu-devices-allocated 注解独立跟踪每次分配。

步骤 8：测试显存和算力限制

kubectl apply -f - <<'EOF'
apiVersion: v1
kind: Pod
metadata:
  name: gpu-limits
spec:
  containers:
  - name: sleep
    image: busybox
    command: ["sleep", "3600"]
    env:
    - name: CUDA_DISABLE_CONTROL
      value: "true"
    resources:
      limits:
        nvidia.com/gpu: 1
        nvidia.com/gpumem: "10"
        nvidia.com/gpucores: "30"
EOF

信息

资源限制格式 nvidia.com/gpumem 接受以 MiB 为单位的绝对值——"10" 表示 10 MiB。nvidia.com/gpucores: "30" 表示在所选 GPU 上申请 30 个计算核心。

验证分配：

kubectl describe pod gpu-limits | grep vgpu-devices-allocated

预期输出：

hami.io/vgpu-devices-allocated: GPU-12345678-1234-1234-1234-123456780002,NVIDIA,10,30:;

注解记录了 10 MiB 和 30 个核心——正是所申请的值。

步骤 9：测试百分比显存申请

除了固定的 MiB 值，nvidia.com/gpumem-percentage 让你申请 GPU 总显存的一个比例。在 A100（40960 MiB）上，申请 30% 会分配约 12288 MiB。

提示

为什么要用百分比分配？当你想让工作负载在不同 GPU 型号上按比例扩展，而不必硬编码绝对大小时，这非常有用。

创建 Pod：

kubectl apply -f - <<'EOF'
apiVersion: v1
kind: Pod
metadata:
  name: gpu-mem-30pct
spec:
  containers:
  - name: sleep
    image: busybox
    command: ["sleep", "3600"]
    env:
    - name: CUDA_DISABLE_CONTROL
      value: "true"
    resources:
      limits:
        nvidia.com/gpu: 1
        nvidia.com/gpumem-percentage: "30"
EOF

等待 Pod 进入 Running 状态：

kubectl get pod gpu-mem-30pct -w

预期输出：

NAME            READY   STATUS    RESTARTS   AGE
gpu-mem-30pct   1/1     Running   0          8s

查看分配注解：

kubectl get pod gpu-mem-30pct \
  -o jsonpath='{.metadata.annotations.hami\.io/vgpu-devices-allocated}'

预期输出：

GPU-12345678-1234-1234-1234-123456780003,NVIDIA,12288,100:;

第三个字段显示 12288 MiB——即 40960 MiB 的 30%——确认调度器正确地将百分比转换为本次分配的绝对显存预算。

步骤 10：测试多 GPU 分配

kubectl apply -f - <<'EOF'
apiVersion: v1
kind: Pod
metadata:
  name: gpu-multi
spec:
  containers:
  - name: sleep
    image: busybox
    command: ["sleep", "3600"]
    env:
    - name: CUDA_DISABLE_CONTROL
      value: "true"
    resources:
      limits:
        nvidia.com/gpu: "2"
EOF

验证 Pod 正在运行：

kubectl get pod gpu-multi

预期输出：

NAME        READY   STATUS    RESTARTS   AGE
gpu-multi   1/1     Running   0          64s

查看调度器事件：

kubectl describe pod gpu-multi | tail -20

预期输出：

Events:
  Type    Reason            Age   From            Message
  ----    ------            ----  ----            -------
  Normal  Scheduled         70s   hami-scheduler  Successfully assigned default/gpu-multi to nvml-mock-test-control-plane
  Normal  FilteringSucceed  70s   hami-scheduler  find fit node(nvml-mock-test-control-plane), 0 nodes not fit, 1 nodes fit(nvml-mock-test-control-plane:13.63)
  Normal  BindingSucceed    70s   hami-scheduler  Successfully binding node [nvml-mock-test-control-plane] to default/gpu-multi
  Normal  Pulling           69s   kubelet         spec.containers{sleep}: Pulling image "busybox"
  Normal  Pulled            67s   kubelet         Successfully pulled image "busybox" in 3.548s
  Normal  Created           67s   kubelet         Container created
  Normal  Started           67s   kubelet         Container started

hami-scheduler 事件——FilteringSucceed、Scheduled 和 BindingSucceed——确认 HAMi 的调度器处理了这个 Pod，并成功将其绑定到带 2 个 GPU 槽位的节点。

查看完整的 vgpu-devices-allocated 注解

kubectl get pod gpu-multi \
  -o jsonpath='{.metadata.annotations.hami\.io/vgpu-devices-allocated}'

你会看到两个以分号分隔的设备条目，每个对应一个已分配的 vGPU 槽位。

已验证功能总结

功能	测试 Pod	如何验证
基础 GPU 调度	`gpu-test-1`	注解显示 1 个 vGPU UUID + 40960 MiB
GPU 共享（时间片）	`gpu-test-1` 到 `gpu-test-4`	4 个 Pod 并发运行
显存限制（`gpumem`）	`gpu-limits`	注解显示 `10` MiB
算力限制（`gpucores`）	`gpu-limits`	注解显示 `30` 个核心
百分比显存（`gpumem-percentage`）	`gpu-mem-30pct`	注解显示 `12288` MiB（A100 的 30%）
多 GPU 分配	`gpu-multi`	hami-scheduler 事件显示 `BindingSucceed`

以下功能仍需要真实 GPU

实际 CUDA 程序执行
gpumem 和 gpucores 限制的运行时强制执行
真实的 DCGM GPU 指标（温度、利用率）
显存超卖和显存覆盖功能

清理

删除所有测试 Pod：

kubectl delete pod gpu-test-1 gpu-test-2 gpu-test-3 gpu-test-4 \
  gpu-limits gpu-mem-30pct gpu-multi

移除 GPU 节点标签：

kubectl label node ${NODE_NAME} gpu-

卸载 HAMi：

helm uninstall hami -n kube-system

卸载 nvml-mock：

helm uninstall nvml-mock

删除 kind 集群：

kind delete cluster --name nvml-mock-test

提示

如果你想保留环境以便继续实验，可以跳过删除集群这一步。

下一步

切换到真实 GPU 集群（参见实验 1：在线安装 HAMi），用真实 CUDA 工作负载测试显存和算力隔离。
安装 Prometheus 和 HAMi WebUI 进行可视化资源跟踪（参见实验 2：本地 Fake GPU 安装）。

你将得到什么​

安装全景图​

前提条件​

步骤 1：创建 kind 集群​

步骤 2：构建并部署 nvml-mock​

2.1 克隆并构建​

2.2 加载到 kind​

2.3 通过 Helm 安装​

2.4 验证 GPU 发现​

步骤 3：基于 main 分支构建 HAMi​

3.1 克隆并初始化子模块​

3.2 构建 Docker 镜像​

3.3 加载到 kind​

步骤 4：部署 HAMi​

4.1 通过 Helm 安装​

4.2 给节点打标签​

4.3 设置 NVML 设备发现策略​

4.4 滚动发布并验证​

步骤 5：验证 GPU 资源​

步骤 6：测试基础 GPU 调度​

步骤 7：测试 GPU 共享（时间片）​

步骤 8：测试显存和算力限制​

步骤 9：测试百分比显存申请​

步骤 10：测试多 GPU 分配​

已验证功能总结​

清理​

下一步​

你将得到什么

安装全景图

前提条件

步骤 1：创建 kind 集群

步骤 2：构建并部署 nvml-mock

2.1 克隆并构建

2.2 加载到 kind

2.3 通过 Helm 安装

2.4 验证 GPU 发现

步骤 3：基于 `main` 分支构建 HAMi

3.1 克隆并初始化子模块

3.2 构建 Docker 镜像

3.3 加载到 kind

步骤 4：部署 HAMi

4.1 通过 Helm 安装

4.2 给节点打标签

4.3 设置 NVML 设备发现策略

4.4 滚动发布并验证

步骤 5：验证 GPU 资源

步骤 6：测试基础 GPU 调度

步骤 7：测试 GPU 共享（时间片）

步骤 8：测试显存和算力限制

步骤 9：测试百分比显存申请

步骤 10：测试多 GPU 分配

已验证功能总结

清理

下一步