NVIDIA GPUオペレータ

false (バージョン25.3.xの場合)。

true (バージョン25.10.x以降の場合)。

false (バージョン25.3.xの場合)。

バージョン25.10.x以降では非推奨です。

GPUをKubernetesに公開するNVIDIAデバイス・プラグインを制御します。

デバイス・プラグインは、すべてのGPUノードで実行され、次のことを担当します。

• nvidia.com/gpu リソースの通知
• GPUスケジューリングの有効化

この構成は、スケジューラの決定とGPUワークロードの配置に直接影響します。

この引数が正しく構成されていない場合は、次のようにします。

• GPUがKubernetesに表示されない場合があります。
• GPUをリクエストしているポッドは、 Pending 状態のままになる場合があります。
• GPUの可用性がノード間で一貫していない可能性があります。
• スケジューリングの失敗は大規模に発生する可能性があります。

• devicePlugin.enabled を true に設定します。
• devicePlugin.resources を使用して、十分なリソースを割り当てます。
• すべてのGPUノードで一貫性のある構成を使用します。

コンテナ内のGPUアクセスを提供するNVIDIA Container Toolkitを制御します。

ツールキットはすべてのGPUノード上で実行され、GPUワークロードがコンテナ内のGPUにアクセスするために必要です。

この引数が正しく構成されていない場合、ポッドは正常にスケジュールされる可能性がありますが、次のようになります。

• GPUワークロードの起動に失敗する可能性があります。
• コンテナがGPUにアクセスできない場合があります。
• 実行時の障害は診断が困難になる可能性があります。

• toolkit.enabled を true に設定します。
• ツールキットがコンテナランタイムと互換性があることを確認します。
• toolkit.resources を使用して、十分なリソースを割り当てます。

GPUオペレータ コンポーネントをGPUノードで実行できるかどうかを制御します。

GPUノードはしばしば汚染されます。すべてのGPUオペレータDaemonSetsは、それらのtaintがGPUノードで実行されることを許容する必要があります。

必要な許容範囲がない場合:

• GPUオペレータ・コンポーネントはGPUノードで実行できません。
• GPUがクラスタ全体で使用できなくなる可能性があります。

• GPUノードに適用されたテイントと一致する許容値を設定します。
• すべてのGPUノード・プールの許容範囲を検証します。

同時に更新されるノードの数を制御します。

この値は、更新中に一時的に使用できないGPUノードの数に影響を与えます。

大規模なクラスタでは、更新が多くのノードに影響を与える可能性があります。

値が大きすぎる場合:

• GPUノードが多すぎると同時に利用できなくなる可能性があります。
• GPUワークロードが中断される場合があります。

値が小さすぎると、数千のノードにわたって更新をロールアウトするのに時間がかかる場合があります。

過度に攻撃的ではないバランスのとれた値を使用してください。クラスタ・サイズおよびワークロードで許容できる中断量に基づいて値を設定します。

GPUオペレータコントローラのCPUおよびメモリーリソースを定義します。

オペレータは、次のようなコンポーネントを管理します。

• デバイスプラグイン
• NVIDIA Container Toolkit
• マルチインスタンスGPU
• NVIDIAデータ・センターGPUマネージャ

ノード数が増加すると、オペレータはより多くのオブジェクトを管理し、より多くのリソースを必要とします。

リソースのサイズが小さい場合:

• 和解は遅いかもしれません。
• オペレータが不安定になる可能性があります。
• 構成の変更およびコンポーネントのロールアウトが遅延する可能性があります。

• 大規模なクラスタのCPUおよびメモリー・リソースを増やします。
• オペレータのログとメモリー使用量を監視します。

コンテナ・デバイス・インタフェースを有効にします。

• GPUをコンテナに簡単に注入できます。
• ノード間での実行時の一貫性が向上します。

コンテナ・デバイス・インタフェースが無効になっている場合、古いランタイム統合は次のようになります。

• 不整合の原因となります。
• トラブルシューティングをより複雑にします。

• cdi.enabled を true に設定します。
• 特定の要件がないかぎり、デフォルト設定を使用します。

マルチインスタンスGPUパーティション化を制御します。

マルチインスタンスGPUパーティション化を使用すると、ワークロードでGPUを共有し、スケジューラの動作に影響を及ぼすことができます。

この引数が正しく構成されていない場合は、次のようにします。

• GPUリソースが断片化する可能性があります。
• ポッドが一致するGPUパーティションを検出できない可能性があります。
• ノード間で動作が一貫していない可能性があります。

• クラスタ全体で、一貫したマルチインスタンスGPU戦略を使用できます。
• 必要な場合を除き、構成を混在させないでください。

GPUメトリック収集を制御します。

輸出業者は各ノードのGPUメトリックを生成し、GPUノード数が増加するとPrometheusの負荷とネットワーク・トラフィックが増加します。

この引数が正しく構成されていない場合は、次のようにします。

• メトリックをスクレイピングしすぎると、オーバーヘッドが大きくなる可能性があります。
• メトリックのスクレイピングが頻繁に行われないと、可視性が不十分になる場合があります。

• serviceMonitor.interval を調整します。
• dcgmExporter.resources を使用して、十分なリソースを割り当てます。

NVIDIA Data Center GPU Managerホスト・エンジンを制御します。

オプション・コンポーネントは、クラスタ全体のGPUヘルスを追跡します。

• コンポーネントが無効になっている場合、GPUのヘルスに対する可視性は制限されます。
• コンポーネントがリソース不足で有効になっている場合は、不安定になる可能性があります。

• コンポーネントは、必要な場合にのみ有効にします。
• 十分なリソースを割り当てます。

ノード機能検出の依存性チェックを制御します。

依存性チェックは、ノード・ラベリングおよびGPU検出に影響します。

ノード機能検出がない場合:

• GPUノードにラベルが付けられていない可能性があります。
• オペレータがGPUノードの検出に失敗する可能性があります。

• この引数は、ノード機能検出がすでにインストールされている場合にのみ使用します。
• 必要なノード・ラベルが存在し、正しいことを確認してください。

スタンドアロンのNVIDIA GPUデバイスプラグインを無効にします。

スタンドアロン・プラグインを無効にすると、重複するGPUデバイス・プラグインがクラスタ内で実行されなくなります。

この引数が正しく構成されていない場合:

• 複数のGPUデバイス・プラグインが実行される場合があります。
• プラグインが競合する可能性があります。
• GPUリソースが正しく報告されない可能性があります。

NVIDIA GPU Operatorを使用する場合は、スタンドアロンのNVIDIA GPUデバイスプラグインを無効にします。