如何优化客户端和服务器的GPU虚拟化配置？

虚拟化客户端和服务器配置GPU，需要确保硬件支持并安装合适的驱动程序。

虚拟化客户端服务器配置_GPU虚拟化

简介

随着云计算和虚拟化技术的不断发展，GPU（图形处理器）虚拟化已经成为提升数据中心性能的重要手段，通过GPU虚拟化技术，可以将一个物理GPU分割成多个虚拟机（VM），每个虚拟机都可以利用GPU的部分硬件资源，从而实现更高效的资源利用和成本节约，本文将详细介绍虚拟化客户端与服务器配置中涉及的GPU虚拟化技术及其应用场景。

GPU虚拟化

GPU虚拟化是一种通过软件和硬件结合的方式，将一个物理GPU分割成多个虚拟GPU（vGPU），使得多个虚拟机可以同时使用该GPU的资源，这种技术不仅可以提高GPU的利用率，还可以降低企业的硬件成本，因为不再需要为每个虚拟机单独配置物理GPU。

应用场景

1、Designer（计算、渲染密集型）：适用于3D图形总装设计师，常用于CAD/CAE/CAM领域专业设计人员，这类场景一般计算、渲染计算需求量较大，具有较高的显示分辨率要求，要求有一定的3D接口兼容性。

2、Power User（计算、渲染中载型）：适合3D图形部件设计人员的业务处理，如部件级别编辑或图纸查看，除基本的2D功能外，用户具有3D硬件加速要求，对于计算、渲染有一定性能要求，要求性价比高。

3、AI、深度学习和数据科学：NVIDIA的虚拟GPU (vGPU) 技术已改变虚拟客户端计算，现可支持AI、深度学习和数据科学的服务器虚拟化，通过与VMware合作，此架构将能帮助组织在客户数据中心和VMware Cloud on AWS之间无缝迁移GPU上的AI工作负载。

4、业务连续性和工作负载平衡：利用统一的虚拟GPU加速基础设施来运行工作负载，从而提高数据中心资源的利用率。

5、资源共享与更高的利用率：拆分GPU资源并在多个VM之间共享，或者将分配给单个VM，为要求极高的工作负载提供支持。

6、高性能计算（HPC）：GPU配置虚拟化采用自研xGPU虚拟化技术，能够动态对GPU设备显存与算力进行划分，单个GPU卡最多虚拟化成20个GPU虚拟设备，相对于静态分配来说，虚拟化的方案更加灵活，最大程度保证业务稳定的前提下，可以完全由用户定义使用的GPU数量，提高GPU利用率。

配置步骤

1、创建前配置：

如果需要扩容计算节点，请参考扩容计算节点（可选）完成计算节点扩容及网络配置。

为主机安装GRID驱动，前提条件是已获取依赖包FusionSphere_GpuCompiler-*-X86_64.zip和GRID驱动包（GRID驱动包请参考NVIDIA vGPU驱动，驱动包支持GRID14.x）。

2、安装GRID驱动：

使用fsp账号登录FusionSphere OpenStack控制节点。

执行以下命令，将文件夹属主属组修改为root。

“`shell

chown root:root -R /home/fsp/gpu_tmp

“`

执行以下命令，安装GRID驱动。

“`shell

python /etc/nova/nova-util/grid_driver_helper.py install /home/fsp/gpu_tmp /home/fsp/gpu_tmp

“`

执行以下命令查看驱动是否安装成功。

“`shell

nvidia-smi

“`

3、开启运行参数“intel_iommu”：

如果主机只作为虚拟化GPU加速型使用，不需要修改“intel_iommu”参数，如需开启运行参数“intel_iommu”，请参考开启运行参数“intel_iommu”章节。

4、创建虚拟化GPU加速型规格：

创建虚拟化GPU加速型弹性云服务器。

支持的虚拟化GPU型号请参见支持的GPU虚拟化类型。

相关问题与解答

1、问题一：如何检查GRID驱动是否安装成功？

答案：执行命令nvidia-smi，如果有如下回显表示安装成功。

“`shell

+——————————————————————-+

| NVIDIA-SMI 465.19.01 Driver Version: 465.19.01 CUDA Version: 11.5 |

|——————————-+———————-+———————-+

| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |

| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |

| | | MIG M. |

|===============================+======================+======================|

| 0 Tesla K80 Off | 00000000:00:1E.0 Off | 0 |

| N/A 37C P8 24W / 149W | 0MiB / 11441MiB | 0% Default |

| | | N/A |

+——————————————————————-+

“`

2、问题二：如何在虚拟化环境中运行GPU服务器上的AI工作负载？

答案：借助NVIDIA的vComputeServer软件和NVIDIA NGC容器，可以将GPU虚拟化引入AI、深度学习和数据科学，通过与VMware合作，此架构将能帮助组织在客户数据中心和VMware Cloud on AWS之间无缝迁移GPU上的AI工作负载，IT管理员可以使用包括vCenter和vMotion在内的VMware vSphere等hypervisor虚拟化工具来管理所有数据中心应用程序，如NVIDIA GPU上运行的AI应用程序。

各位小伙伴们，我刚刚为大家分享了有关“虚拟化 客户端 服务器配置_GPU虚拟化”的知识，希望对你们有所帮助。如果您还有其他相关问题需要解决，欢迎随时提出哦！