模块 4：Kubernetes 入门与 GPU 工作负载调度 — 课后练习
题目：K8s GPU 调度实战与分析
截止时间
模块 5 课前
任务 1: K8s 基础练习 (必做)
在本地 minikube/k3s/kind 集群上完成以下操作，截图记录每一步：
- 创建 Namespace
gpu-homework
- 在该 Namespace 中创建一个 Deployment（镜像
nginx:alpine，3 副本）
- 创建一个 Service（类型 ClusterIP）暴露该 Deployment
- 扩容到 5 副本 → 缩容到 2 副本
- 执行一次滚动更新（改镜像 tag 为
nginx:1.25-alpine）
- 用
kubectl describe 查看 Deployment 的 Events，解释你看到了什么
提交: 每一步的 kubectl 命令 + 关键输出截图。
任务 2: K8s GPU 设备管理机制分析 (必做)
阅读 AI-fundamentals，回答：
- Device Plugin 的
ListAndWatch 和 Allocate 接口各自做什么？画出它们的调用时序图。
- 如果某个节点的 GPU 被所有 Pod 占满，新来的 Pod 声明
nvidia.com/gpu: 1 会发生什么？结合调度器流程解释。
- DRA 相比 Device Plugin 的核心改进是什么？从分配时机和拓扑感知两个维度分析。
- 为什么说 ResourceClaim 之于 GPU 类似于 PVC 之于存储？找到共同点和差异点。
任务 3: GPU 调度策略设计 (必做)
假设你有以下 GPU 集群:
- 4 个节点，每个节点 8 张 A100
- 节点 1-2 的 GPU 通过 NVSwitch 全互联 (同一域)
- 节点 3-4 的 GPU 通过 NVSwitch 全互联 (另一域)
- 跨节点的 GPU 通过 InfiniBand 互联
你需要运行以下工作负载:
- Job A: 分布式训练 (8 卡，TP=8，必须在同一 NVSwitch 域)
- Job B: 推理服务 (2 卡，无特殊拓扑要求)
- Job C: 推理服务 (2 卡，无特殊拓扑要求)
请回答:
- 为 Job A/B/C 设计调度方案，说明每个 Job 应该调度到哪些节点、为什么。
- 如果使用 Kueue，如何配置 ResourceFlavor 和 ClusterQueue 来区分两个 NVSwitch 域？
- 如果 Job A 还在运行，Job B 和 C 先后到达，K8s 默认调度器会怎么放置它们？如果使用 Binpack 策略呢？
进阶任务 (选做)
任务 4: 部署 Kueue 并测试
在 K8s 集群中部署 Kueue，创建:
- 一个 ResourceFlavor (你的 GPU 节点组)
- 一个 ClusterQueue (配额: 2 GPU)
- 提交 3 个 Job (每个声明 1 GPU)，观察第 3 个 Job 的排队行为
任务 5: DRA 实验
如果 K8s 版本 ≥ 1.31，尝试创建 ResourceClaim 并部署引用 Claim 的 Pod。记录 Claim 的状态变化过程。
提交要求
- 任务 1: 命令 + 截图
- 任务 2: 分析回答 (≤ 2 页)
- 任务 3: 调度方案设计 (≤ 1 页)
- (选做) 任务 4 或 5
评分标准
| 维度 |
权重 |
要求 |
| 任务 1 (K8s 基础) |
30% |
6 步操作正确完成 |
| 任务 2 (机制分析) |
30% |
4 题回答准确 + 时序图正确 |
| 任务 3 (调度设计) |
25% |
方案合理有依据 |
| 文档质量 |
10% |
截图清晰、描述完整 |
| 进阶任务 |
5% |
完成至少一项 |
参考资料