kube-scheduler深度学习批处理任务定制化开发

sealyun

发布于 2019-07-25 15:09:26

6190

发布于 2019-07-25 15:09:26

文章被收录于专栏：sealyunsealyun

kubernetes集群三步安装

什么是批处理任务

深度学习中经常会出现多机多卡的任务，也就是同事会起多个pod，但是这多个pod属于同一个任务。

这样就会有一个问题

一个任务要起100个pod，每个pod需要一张卡，总共需要100张GPU卡，而集群中只有99张空闲的GPU卡，这样默认的k8s调度器会如何处理？

因为默认调度器是一个一个pod调度的，只会检查单个pod资源够不够，这样前99个都能成功，最后一个pod调度失败。

这样非常有可能造成

任务跑不了
前99个占着GPU不释放，新的任务无法调度
严重时整个集群死锁，都“占着茅坑不拉屎”

所以需要在调度时对整个task所需所有资源进行检查，当集群总体资源不够时，一个pod都得不到调度。

社区提供了一个能支持这种特性的调度器但是这个调度器是没办法和原生调度器很好的配合工作的

最大的问题在于两个调度器都有cache，这样cache的内容会冲突，导致调度混乱
这个调度器没法和原生调度器同时起作用，这样用了这个batch调度器后就没法用亲和性什么的特性了

所以我们做的事是将两者特性融合，选择的方法是定制化开发kube-scheduler

其实scheduler是可以通过extender扩展的，但是extender还是太弱了，它仅能在预选和优选过程中加入自己的过滤策略，而这对于批处理任务远远不够。

实现难点

需要优选时加batch任务检查拿到一个pod —> 如果是一个batchpod —> 查询集群资源是否满足batch任务—>否调度失败需要保障batch任务中其它pod能得到调度

如果集群资源能满足这个batch任务直接去bind有个问题：假设调度队列是这样,假设集群中有三个GPU，而batch任务需要三个GPU：

A batch pod ->	pod ->	pod ->	A batch pod ->	A batch pod
集群资源够调度成功	调度了别的pod	调度了别的pod	GPU被别的pod占用 GPU不够失败	GPU不够失败

所以最终结果是A批任务占用了一个GPU但是整个任务是调度失败的，那一个GPU还得不到释放

所以需要修改pod调度队列里的顺序?让A batch pod连续调度? 没这么简单，

pod调度是创建协程并发调度的，这样即便去调整任务队列里pod的顺序也不一定能保证batch任务其它pod能得到优先调度。

go wait.Until(sched.scheduleOne, 0, sched.config.StopEverything)

只要batch pod走到Bind逻辑了就没有回头路了

batch任务中所有pod先进行assume调度，其中任意一个失败就清理掉其它已经bind但是还没实际进行调度的pod。并把所有pod扔回队列，或者直接返回调度失败清理改任务的pod，让上层重新触发?

scheduler流程 scheduler/sheduler.go scheduleOne逻辑：

选节点->cache assume pod on node-> 创建协程bind

所以在assume时去检查，不满足退还已经调度的pod是不可行的，因为之前batch任务中的pod可能已经bind过了，所以只能batch任务中最后一个pod得到确认才能去bind前面的pod

预占用策略预占用策略：第一个batch pod任务来时，检查集群资源是不是够，如果够进行预占，把其它几个node打上标记，让接下来pod无法占用其它的node，这样batch任务其实pod过来就有节点可用。

回到了不能bind的问题。。。

这种问题有两点：

如何知道batch任务中其它pod需要什么样的节点，如果pod都一样问题可简化如果后面的pod失败了，第一个pod还是已经bind，还是会出现一样的问题最终还是在所有pod assume之前不能bind单个pod

综上，需要在几个地方处理

队列最好用优先级队列，把正在调度的pod的关联pod优先级提高选节点时做判断，看集群资源是否够选好节点assume pod时检查，如果自己不够或者pod组不够就不去bind 问题是之前的pod已经走了bind流程，所以最重要的是如何解决让之前的pod不去bind，延迟bind

最终方案 - 延迟绑定

方案：在batch任务bind时进行特殊处理

如果是batch任务扔进task cache，不进行binding
如果batch任务最后一个pod扔进task cache,该task ready，放进bind队列
在bind队列里取task 进行bind，task互斥锁与普通pod bind时互斥

使用 batch任务使用，pod增加两个注解：

annotations:

scheduling.k8s.io/group-name: qj-1

scheduling.k8s.io/group-pod-num: 3

pod加上这两个注解表示属于同一个task, num表示task里有多少pod。

本来是再定义一个CRD去描述这个task，耦合会小一些，但是实现麻烦些，需要多监听一个CRD，偷懒就没这样做

实现

延迟绑定流程：

如果是普通的pod，找到节点后assume就直接bind
如果是批处理任务，直接扔到批处理缓存中返回
有个协程一直检查批缓存中是否有成功的task (pod都齐了)
成功的task扔进binding队列，worker取成功的task进行批量绑定，绑定时与普通pod互斥

batch scheduler接口与成员

Run 起一个协程检查成功的task并塞入队列 RunBind 起一个task绑定协程 PodQuePriority 去动态修改pod队列的优先级，让同task的pod优先调度

执行流程：

延迟绑定

scheduler/scheduler.go:

	//fanux if it is a batch pod, return

	if sched.Config.BatchScheduler.IsBatchPod(assumedPod) {

		err = sched.Config.BatchScheduler.HandleBatchPod(assumedPod)

		if err != nil {

			glog.Errorf("schedule batch pod failed: %v", assumedPod.Namespace, assumedPod.Name)

		}

		return

	}

增加绑定互斥，防止batch任务和普通pod同事binding:

	go func() {

		//fanux add bind mutex

		sched.Config.BatchScheduler.Lock()

		defer sched.Config.BatchScheduler.UnLock()

		err := sched.bind(assumedPod, &v1.Binding{

检查资源是否充足CheckResourceIsEnough

should’t use filterFunc, needs nodelist

scheduler/util/batch.go

package util

import "api/core/v1"

//CheckResourceIsEnough is

func CheckResourceIsEnough(pod *v1.Pod, nodes []*v1.Node) (bool, error) {

	return false, nil

}

scheduler/core/generic_scheduler.go

	//fanux add checkBatchPodResource

	flag, err := util.CheckResourceIsEnough(pod, filteredNodes)

	if !flag || err != nil {

		return "", err

	}

	trace.Step("Prioritizing")

处理资源不足时的情况

	suggestedHost, err := sched.schedule(pod)

	//fanux add handle if resource not enough

	if strings.Contains(err.Error(), common.BatchResourceNotEnough) {

		sched.Config.BatchScheduler.HandleResourceNotEnough(pod)

	} else if err != nil {

如何获取节点已经分配GPU的数量

nodeInfo allocatableResource - requestedResource is avaliavle resource

	requestedResource *Resource

	nonzeroRequest    *Resource

	allocatableResource *Resource

GPU 是 ScalarResources, 资源名称叫 : NVIDIAGPUResourceName = "nvidia.com/gpu"

type Resource struct {

	MilliCPU         int64

	Memory           int64

	EphemeralStorage int64

	// We store allowedPodNumber (which is Node.Status.Allocatable.Pods().Value())

	// explicitly as int, to avoid conversions and improve performance.

	AllowedPodNumber int

	// ScalarResources

	ScalarResources map[v1.ResourceName]int64

}

增加podupdater，可更新podcondition状态

	batchScheduler := batch.NewBatchScheduler(c.schedulerCache, c.podQueue, &binder{c.client}, &podConditionUpdater{c.client})

需要把batch scheduler的cache给generic_scheduler资源检查时需要用

需要知道已经有哪些pod已经assume过了，把这个数量减掉才是batch任务还需要多少GPU

core/generic_scheduler.go

	//fanux add batch Cache

	//check batch pod resource is enough need batch scheduler cache

	BatchCache common.TaskCache

	//fanux add checkBatchPodResource

	flag, err := common.CheckResourceIsEnough(pod, filteredNodes, g.cachedNodeInfoMap, g.BatchCache)

factory.go

	//fanux check batch resource is enough need batch scheduler cache

	batchCache := batchScheduler.GetTaskCache()

	algo := core.NewGenericScheduler(

...

		batchCache,

	)

then checkresource :

	//shoud not use metadata, need use metadata - assumed pod num in batch cache

	_, podNum := GetPodBathMeta(pod)

	podNum -= batchCache.GetTaskAssumedPodNum(pod)

检查资源是否充足详细算法：

有很多细节

//获取pod需要多少GPU，这个需要把pod里容器配额加起来

func GetPodGPUCount(pod *v1.Pod) (count int) {

	for _, c := range pod.Spec.Containers {

		limit, ok := c.Resources.Limits[NVIDIAGPUResourceName]

		l, okay := limit.AsInt64()

		if !ok || !okay {

			continue

		}

		count += int(l)

	}

	glog.Infof("Pod [%s] need GPU [%d]", pod.GetName(), count)

	return

}

//获取节点空闲GPU，需要把可分配的减去已经申请的

func GetNodeFreeGPU(nodeInfo *cache.NodeInfo) int {

	if nodeInfo == nil {

		return 0

	}

	allocatable, ok := nodeInfo.AllocatableResource().ScalarResources[NVIDIAGPUResourceName]

	if !ok {

		glog.Errorf("can't fetch allocatable GPU : %v", nodeInfo)

		return 0

	}

	glog.Infof("node [%s] allocatable GPU [%d]", nodeInfo.Node().Name, allocatable)

	requested, ok := nodeInfo.RequestedResource().ScalarResources[NVIDIAGPUResourceName]

	if !ok {

		//glog.Errorf("can't fetch requested GPU : %v", nodeInfo)

		//return 0

		requested = 0

	}

	glog.Infof("node [%s] requested GPU [%d]", nodeInfo.Node().Name, requested)

	available := allocatable - requested

	glog.Infof("available node [%s] GPU : [%d]", nodeInfo.Node().Name, available)

	return int(available)

}

//这里最关键的点是需要把annotations里面获取的task pod总数减去已经assume过的batch pod，这样才是真实所需

func CheckResourceIsEnough(pod *v1.Pod, nodes []*v1.Node, cachedNodeInfoMap map[string]*cache.NodeInfo, batchCache TaskCache) (bool, error) {

	//if is not batch pod, return true,nil

	if !IsBatch(pod) {

		glog.Infof("pod %s is not batch pod", pod.GetName())

		return true, nil

	}

	//shoud not use metadata, need use metadata - ready pod num in batch cache

	_, podNum := GetPodBathMeta(pod)

	podNum -= batchCache.GetTaskAssumedPodNum(pod)

	everyPodNeedsGPU := GetPodGPUCount(pod)

	if everyPodNeedsGPU == 0 {

		glog.Infof("pod %s require 0 GPU", pod.GetName())

		return true, nil

	}

	// TODO maybe check nodes[1:], node[0] already allocate a pod, CPU and other metric may reach limit

	for _, node := range nodes {

		nodeInfo, ok := cachedNodeInfoMap[node.Name]

		if !ok {

			continue

		}

		nodeFree := GetNodeFreeGPU(nodeInfo)

		podNum -= nodeFree / everyPodNeedsGPU

		glog.Infof("pod: [%s] node: [%s] podNum [%d] nodeFree [%d] podNeed [%d]", pod.GetName(), node.Name, podNum, nodeFree, everyPodNeedsGPU)

		if podNum <= 0 {

			return true, nil

		}

	}

	return false, fmt.Errorf("BatchResourceNotEnough : pod name is %s", pod.GetName())

}

//判断是不是batch pod

func IsBatch(pod *v1.Pod) bool {

	g, n := GetPodBathMeta(pod)

	if g == "" || n == 0 {

		glog.Infof("The pod's group name is empty string,pod name is %v.", pod.GetName())

		return false

	}

	return true

}

关于GPU的使用与发现

资源包

这里包含docker nv-docker GPU-device plugin install.sh…

/etc/docker/daemon.json

[root@compute-gpu006 ~]# cat /etc/docker/daemon.json

{

"default-runtime":"nvidia",

"runtimes": {

"nvidia": {

"path": "/usr/bin/nvidia-container-runtime",

"runtimeArgs": []

}

}

}

kubectl describe node xxx:

Capacity:

cpu:                72

ephemeral-storage:  222779Mi

hugepages-1Gi:      0

hugepages-2Mi:      2Gi

memory:             791014684Ki

nvidia.com/gpu:     2                # 这里就能看到GPU了

pods:               110

Allocatable:

cpu:                72

ephemeral-storage:  210240641086

hugepages-1Gi:      0

hugepages-2Mi:      2Gi

memory:             788815132Ki

nvidia.com/gpu:     2

pods:               110