把托管 K8s 搬回自己机房:NVKE 用一台种子集群造出 GPU 集群工厂

把托管 K8s 搬回自己机房:NVKE 用一台种子集群造出 GPU 集群工厂

1周前
duguying
8 阅读
来源:GitHub

NVIDIA 开源 NVKE:在自己的裸金属 GPU 上开托管 Kubernetes 服务,一台一次性 seed 集群拉起管理面,再按需生成多个互相隔离的 workload cluster,节点靠 TPM 认证加入。

相关标签

#GitHub#Trending#Kubernetes#GPU#NVIDIA

NVIDIA 把”托管 Kubernetes 服务”背后那层软件也开源了。仓库叫 NVKE(NVIDIA Kubernetes Engine),10 月刚出现在 GitHub 上,11 月 9 日一天进账 345 个星标,总数 875。它要解决的不是怎么在 GPU 上跑容器,而是平台团队怎么在自己机房的裸金属机器上,给内部或外部客户开出一个”像云厂商那样”的 Kubernetes 服务。

这件事的形态值得说清楚:NVKE 既不是 Kubernetes 发行版,也不是 Cluster API 的一个 flavour。README 里把它自己定义为”Kubernetes 集群的自托管工厂”——先立一个一次性的 seed 集群,用它拉起 management cluster,管理面上的管理面再按需 provision 出任意多个互相隔离的 workload cluster。每个 workload cluster 有自己的控制面、自己的 etcd、自己的节点池;客户拿到的是标准的 Kubernetes API 和 kubectl,而不是某种私有接口。

机器从哪来?预览期只接 NVIDIA Infra Controller(NICo),通过 CAPNICo 调用。也就是说,你得先有 GPU 裸金属、网络、节点镜像和 registry,再让 NICo 去把这些机器变成集群节点。整个安装路径被拆成三类:没有 GPU 也能评估的本地 quickstart、真实基础设施上的安装规划、以及从源码构建。前者门槛不高——Linux 主机或虚拟机,amd64 或 arm64,6 核 CPU、12 GiB 内存、100 GiB 磁盘,装好 Docker 和虚拟 TPM 就能跑起一个开发用管理面和模拟机器上的 workload cluster;macOS 用户则通过 Colima 虚拟机走本地站点指南。

安全设计上有两处细节比宣传语更有信息量。一是节点身份:节点必须先用 TPM 通过 SPIFFE/SPIRE 完成认证,才拿得到 join 凭据,etcd 数据还可以按集群单独加密。二是构建与部署的分工:配套仓库 NVKR 从固定输入构建节点镜像和 NVKE 组件、并保留发布证据,NVKE 只负责把这些产物部署出去——出问题时能追到是哪一次构建。

版本节奏也说明它还在快速补运维缺口。10 月 30 日的 v0.23.0 加了凭据生命周期管理:证书滚动续期、etcd 加密密钥轮换、过期监控和审计证据,同时让 nvkectl 能在 site cluster 上装整套 NVKE;11 月 3 日的 v0.23.1 修了 controller 解析 tenant kubeconfig 时缺 allowlist 的问题——这类补丁通常意味着有人真的在多租户环境里踩过。

但 preview 阶段的限制必须原样念一遍:安装完成后 API 认证默认是关的,而且走纯 HTTP,不先按文档配好认证就不要放调用方进来;管理集群不能自我升级、扩缩或替换,也没有管理面升级和备份恢复流程;FDE 节点镜像仅供评估,不提供静态数据机密性。NVIDIA 自己在 README 里写明不建议用于生产负载。

所以它现在的真实价值,是给”卖 GPU 算力”这件事提供了一份可读的参考实现:多租户隔离怎么做、节点身份怎么落地、制品证据链怎么串。对正在自建 GPU 私有云、又不想从零拼 Cluster API 的平台团队,这是目前最接近官方答案的一份代码;对准备直接上生产的人,这是一份需要先补齐认证、升级与备份三块短板的草稿。

仓库地址:https://github.com/dsx-ai-factory/nvke

返回列表

更多资讯

想看更多优质内容?

浏览所有资讯