CN115408194A - Kubernetes节点故障修复方法及装置 - Google Patents

Kubernetes节点故障修复方法及装置 Download PDF

Info

Publication number
CN115408194A
CN115408194A CN202211080376.9A CN202211080376A CN115408194A CN 115408194 A CN115408194 A CN 115408194A CN 202211080376 A CN202211080376 A CN 202211080376A CN 115408194 A CN115408194 A CN 115408194A
Authority
CN
China
Prior art keywords
fault
gpu
node
driving
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211080376.9A
Other languages
English (en)
Inventor
杨上山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Moore Threads Technology Co Ltd
Original Assignee
Moore Threads Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Moore Threads Technology Co Ltd filed Critical Moore Threads Technology Co Ltd
Priority to CN202211080376.9A priority Critical patent/CN115408194A/zh
Publication of CN115408194A publication Critical patent/CN115408194A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Stored Programmes (AREA)

Abstract

本公开涉及一种Kubernetes节点故障修复方法及装置，所述方法包括：在应用目标GPU的Kubernetes中，基于目标Operator，确定所述Kubernetes中存在GPU驱动故障的驱动故障节点；根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复。本公开实施例可以对GPU驱动产生的问题进行自动运维，有效提高了Kubernetes中驱动故障节点的故障修复效率。

Description

Kubernetes节点故障修复方法及装置
技术领域
本公开涉及计算机技术领域，尤其涉及一种Kubernetes节点故障修复方法及装置。
背景技术
Kubernetes集群中可以通过节点问题检测器(node problem detector)，对节点进行故障检测，在检测到故障后，可以通过kured、draino、descheduler等组件执行taint命令，以对有故障的节点设置污点，以避免新的pod调度到有故障的节点上。相关技术中，需要人工运维才能修复节点上的故障问题，导致节点故障修复效率较低。
发明内容
本公开提出了一种Kubernetes节点故障修复方法及装置的技术方案。
根据本公开的一方面，提供了一种Kubernetes节点故障修复方法，包括：在应用目标GPU的Kubernetes中，基于目标Operator，确定所述Kubernetes中存在GPU驱动故障的驱动故障节点；根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复。
在一种可能的实现方式中，所述在应用目标GPU的Kubernetes中，基于目标Operator，确定所述Kubernetes中存在GPU驱动故障的驱动故障节点，包括：基于所述目标Operator中集成的节点问题检测器，检测所述Kubernetes中各节点上与所述目标GPU相关的系统日志；根据所述各节点上与所述目标GPU相关的系统日志，确定所述驱动故障节点。
在一种可能的实现方式中，所述GPU驱动故障类型为第一版本GPU驱动安装失败；所述根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复，包括：通过执行驱动回滚命令，在所述驱动故障节点上安装第二版本GPU驱动，其中，所述第二版本GPU驱动是所述第一版本GPU驱动的上一版本可用驱动。
在一种可能的实现方式中，所述GPU驱动故障类型为驱动致命错误；所述根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复，包括：通过执行封锁cordon命令，将所述驱动故障节点标记为不可调度；重启所述驱动故障节点，并重新加载对应的GPU驱动，得到故障修复后节点；通过执行解封锁uncordon命令，将所述故障修复后节点标记为可调度。
在一种可能的实现方式中，在重启所述驱动故障节点之前，所述方法还包括：通过执行驱逐drain命令，将所述驱动故障节点上的pod驱逐至所述Kubernetes中不存在GPU驱动故障的节点。
在一种可能的实现方式中，所述根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复，包括：确定是否存在与所述GPU驱动故障类型对应的预设故障修复规则；在存在与所述GPU驱动故障类型对应的预设故障修复规则的情况下，基于所述预设故障修复规则，对所述驱动故障节点进行故障修复。
在一种可能的实现方式中，在所述GPU驱动故障类型为驱动请求相关故障的情况下，所述预设故障修复规则为通过控制寄存器对GPU Core进行软重置；和/或，在所述GPU驱动故障类型为GPU状态或寄存器相关故障的情况下，所述预设故障修复规则为通过外部复位信号对GPU Core进行硬重置。
在一种可能的实现方式中，所述方法还包括：在不存在与所述GPU驱动故障类型对应的预设故障修复规则的情况下，基于所述目标Operator生成目标提示信息，其中，所述目标提示信息用于指示插入与所述GPU驱动故障类型对应的自定义故障修复规则。
根据本公开的一方面，提供了一种Kubernetes节点故障修复装置，包括：确定模块，用于在应用目标GPU的Kubernetes中，基于目标Operator，确定所述Kubernetes中存在GPU驱动故障的驱动故障节点；修复模块，用于根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，在应用目标GPU的Kubernetes中，基于预先开发好的目标Operator，自动确定Kubernetes中存在GPU驱动故障的驱动故障节点，并且还可以根据驱动故障节点对应的GPU驱动故障类型，基于目标Operator对驱动故障节点进行自动故障修复，从而有效实现了在应用目标GPU的Kubernetes中，对GPU驱动产生的问题进行自动运维，有效提高了Kubernetes中驱动故障节点的故障修复效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种Kubernetes节点故障修复方法的流程图；
图2示出根据本公开实施例的一种Kubernetes节点故障修复装置的框图；
图3示出根据本公开实施例的一种电子设备的框图；
图4示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
由于相关技术中需要人工运维才能修复Kubernetes集群中的故障节点，导致使用Kubernetes作为质量监督/质量保证(Quality Assurance，QA)测试平台的用户使用体检较差。例如，在应用目标图形处理器(Graphics Processing Unit，GPU)Kubernetes中，如果目标GPU的驱动是很稳定，则QA测试需要经常替换节点上的驱动来完成测试，或者，需要经常手动安装、回滚、检测修复驱动导致的一些致命错误(fatal error)，这将严重影响QA测试的效率。
在应用目标GPU的Kubernetes中，为了针对目标GPU的驱动产生的一些问题进行驱动故障节点的自动故障修复，有效提高Kubernetes作为QA测试平台的使用体验，本公开提供了一种Kubernetes节点故障修复方法，能够自动确定Kubernetes中存在GPU驱动故障的驱动故障节点，并且对驱动故障节点进行自动故障修复。下文对本公开实施例提供的一种Kubernetes节点故障修复方法进行详细描述。
图1示出根据本公开实施例的一种Kubernetes节点故障修复方法的流程图。该方法应用于云原生场景下的Kubernetes。如图1所示，该方法包括：
在步骤S11中，在应用GPU的Kubernetes中，基于目标Operator，确定Kubernetes中存在GPU驱动故障的驱动故障节点。
这里的目标GPU可以是任意厂商生产的GPU，本公开对此不作具体限定。
这里的目标Operator可以是基于Operator开源工具开发的，用于针对目标GPU的驱动产生的一些GPU驱动故障，进行驱动故障节点的自动检测以及自动修复。目标Operator的具体开发过程以及开发方式可以根据实际情况实现，本公开对此不作具体限定。
实际应用中，在将目标GPU应用到云原生场景下的Kubernetes中之后，为了保证目标GPU的正常使用，需要在应用目标GPU的节点上安装目标GPU对应的驱动。
在Kubernetes中应用目标GPU进行各种业务处理的过程中，可以基于目标Operator，确定Kubernetes中是否存在GPU驱动故障的驱动故障节点，以实现对GPU驱动故障的自动检测。
后文会结合本公开可能的实现方式，对基于目标Operator确定Kubernetes中存在GPU驱动故障的驱动故障节点的过程进行详细描述，此处不作赘述。
在步骤S12中，根据驱动故障节点对应的GPU驱动故障类型，基于目标Operator对驱动故障节点进行故障修复。
在检测到存在GPU驱动故障的驱动故障节点之后，可以根据驱动故障节点对应的GPU驱动故障类型，基于目标Operator对驱动故障节点进行自动故障修复。
后文会结合本公开可能的实现方式，对不同GPU驱动故障类型，以及根据GPU驱动故障类型，基于目标Operator对驱动故障节点进行故障修复的具体过程进行详细描述，此处不作赘述。
在本公开实施例中，在应用目标GPU的Kubernetes中，基于预先开发好的目标Operator，自动确定Kubernetes中存在GPU驱动故障的驱动故障节点，并且还可以根据驱动故障节点对应的GPU驱动故障类型，基于目标Operator对驱动故障节点进行自动故障修复，从而有效实现了在应用目标GPU的Kubernetes中，对GPU驱动产生的问题进行自动运维，有效提高了Kubernetes中驱动故障节点的故障修复效率。
在一种可能的实现方式中，在应用目标GPU的Kubernetes中，基于目标Operator，确定Kubernetes中存在GPU驱动故障的驱动故障节点，包括：基于目标Operator中集成的节点问题检测器，检测Kubernetes中各节点上与目标GPU相关的系统日志；根据各节点上与目标GPU相关的系统日志，确定驱动故障节点。
目标Operator中集成有节点问题检测器(node problem detector)，以使得基于node problem detector，可以监控并检测Kubernetes中各节点上与目标GPU相关的系统日志(例如，kernel log)，进而根据各节点上与目标GPU相关的系统日志，确定各节点的健康情况，从而有效确定出存在GPU驱动故障的驱动故障节点。
驱动故障节点的数目可以是一个，也可以是多个，取决于Kubernetes中各节点的健康状况，本公开对此不作具体限定。
在一示例中，在检测到存在GPU驱动故障的驱动故障节点之后，可以通过Kubernetes client API对驱动故障节点进行标记，以指示驱动故障节点中存在GPU驱动故障。
针对检测出的驱动故障节点，基于该节点上与目标GPU相关的系统日志，可以确定该驱动故障节点对应的GPU驱动故障类型，进而，在该驱动故障节点中，可以基于目标Operator，针对不同类型的GPU驱动故障，执行不同的故障修复方案。
在一种可能的实现方式中，GPU驱动故障类型为第一版本GPU驱动安装失败；根据驱动故障节点对应的GPU驱动故障类型，基于目标Operator对驱动故障节点进行故障修复，包括：通过执行驱动回滚命令，在驱动故障节点上安装第二版本GPU驱动，其中，第二版本GPU驱动是第一版本GPU驱动的上一版本可用驱动。
基于驱动故障节点上与目标GPU相关的系统日志，确定驱动故障节点对应的GPU驱动故障类型为第一版本GPU驱动安装失败的情况下，为了确保目标GPU能够正常运行，可以基于目标Operator，通过执行驱动回滚命令，在驱动故障节点上安装第二版本GPU驱动，即将驱动故障节点上的驱动回滚到安装失败的第一版本GPU驱动的上一版本可用驱动。
其中，第二版本GPU驱动是第一版本GPU驱动的上一版本可用驱动，第一版本和第二版本的具体版本号，可以根据实际情况确定，本公开对此不作具体限定。
在一种可能的实现方式中，GPU驱动故障类型为驱动致命错误；根据驱动故障节点对应的GPU驱动故障类型，基于目标Operator对驱动故障节点进行故障修复，包括：通过执行cordon命令，将驱动故障节点标记为不可调度；重启驱动故障节点，并重新加载对应的GPU驱动，得到故障修复后节点；通过执行uncordon命令，将故障修复后节点标记为可调度。
基于驱动故障节点上与目标GPU相关的系统日志，确定驱动故障节点对应的GPU驱动故障类型为驱动致命错误(fatal error)的情况下，由于fatal error将导致驱动故障节点上无法正常运行业务，因此，首先通过执行cordon命令，将驱动故障节点标记为不可调度，以避免新的pod调度到该驱动故障节点，进而通过重启该驱动故障节点，并重新加载对应的GPU驱动，以完成对该驱动故障节点的故障修复，得到故障修复后节点。由于故障修复后节点上能够正常运行业务，因此，可以通过执行uncordon命令，将故障修复后节点标记为可调度。
在一种可能的实现方式中，在重启驱动故障节点之前，该方法还包括：通过执行drain命令，将驱动故障节点上的pod驱逐至Kubernetes中不存在GPU驱动故障的节点。
由于fatal error将导致驱动故障节点上无法正常运行业务，通过执行drain命令，将该驱动故障节点上的pod驱逐至Kubernetes中不存在GPU驱动故障的节点，以确保该驱动故障节点上运行的业务能够在其它不存在GPU驱动故障的节点上正常运行。
在一示例中，Kubernetes中存在三个应用目标GPU的节点A、B、C，在确定节点A为驱动故障节点，且驱动故障节点A对应的驱动故障类型为fatal error的情况下，执行下述步骤：第一步，通过执行cordon命令，将驱动故障节点A标记为不可调度，以避免新的pod调度到该驱动故障节点；第二步，通过执行drain命令，将驱动故障节点A上的pod驱逐至不存在GPU驱动故障的节点B和/或节点C，以确保驱动故障节点A上运行的业务能够在不存在GPU驱动故障的节点B和/或节点C上正常运行；第三步，通过重启驱动故障节点A，并重新加载对应的GPU驱动，以完成对驱动故障节点A的故障修复，得到故障修复后节点A；第四步，通过执行uncordon命令，将故障修复后节点A标记为可调度；第五步，将新的pod调度至故障修复后节点A，或者，在节点B和/或节点C上负载较大的情况下，将节点B和/或节点C上的部分pod调度至故障修复后节点A。
在一种可能的实现方式中，根据驱动故障节点对应的GPU驱动故障类型，基于目标Operator对驱动故障节点进行故障修复，包括：确定是否存在与GPU驱动故障类型对应的预设故障修复规则；在存在与GPU驱动故障类型对应的预设故障修复规则的情况下，基于预设故障修复规则，对驱动故障节点进行故障修复。
针对一些非fatal error的常规GPU驱动故障类型，无需重启节点，可以基于目标Operator预先设置与GPU驱动故障类型对应的预设故障修复规则，从而在检测到驱动故障节点且确定其GPU故障驱动类型之后，进一步确定是否存在与该GPU驱动故障类型对应的预设故障修复规则，若存在，可以直接基于预设故障修复规则对该驱动故障节点进行故障修复。
在一种可能的实现方式中，在GPU驱动故障类型为驱动请求相关故障的情况下，预设故障修复规则为通过控制寄存器对GPU Core进行软重置；和/或，在GPU驱动故障类型为GPU状态或寄存器相关故障的情况下，预设故障修复规则为通过外部复位信号对GPU Core进行硬重置。
基于驱动故障节点上与目标GPU相关的系统日志，确定GPU驱动故障类型为驱动请求相关故障的情况下，可以通过控制寄存器对GPU Core进行软重置，以对驱动故障节点进行自动故障修复，以使得故障修复后节点能够正常响应驱动请求。该预设故障修复规则除了可以是通过控制寄存器对GPU Core进行软重置之外，还可以根据实际情况调整为其它能够解决目标GPU的驱动请求相关故障的故障修复规则，本公开对此不作具体限定。
基于驱动故障节点上与目标GPU相关的系统日志，确定GPU驱动故障类型为GPU状态或寄存器相关故障的情况下，可以通过外部复位信号对GPU Core进行硬重置，以对驱动故障节点进行自动故障修复。该预设故障修复规则除了可以是通过外部复位信号对GPUCore进行硬重置之外，还可以根据实际情况调整为其它能够解决目标GPU的驱动导致的GPU状态或寄存器相关故障的故障修复规则，本公开对此不作具体限定。
在一示例中，能够预先设置预设故障修复规则的GPU驱动故障类型，除了上述请求相关故障、GPU状态或寄存器相关故障之外，还可以是其它常规GPU驱动故障类型，具体类型可以根据实际情况确定，本公开对此不作具体限定。
在一种可能的实现方式中，该方法还包括：在不存在与GPU驱动故障类型对应的预设故障修复规则的情况下，基于目标Operator生成目标提示信息，其中，目标提示信息用于指示插入与GPU驱动故障类型对应的自定义故障修复规则。
在不存在与GPU驱动故障类型对应的预设故障修复规则的情况下，可以基于目标Operator生成用于指示插入与GPU驱动故障类型对应的自定义故障修复规则的目标提示信息，以使得开发人员可以在运营过程中检测到目标提示信息之后，随时基于目标Operator，通过插入式的机制插入与GPU驱动故障类型对应的自定义故障修复规则，以实现后续对这种GPU驱动故障类型对应的驱动故障节点进行自动故障修复。
根据本公开的实施例，在应用目标GPU的Kubernetes中，基于预先开发好的目标Operator，自动确定Kubernetes中存在GPU驱动故障的驱动故障节点，并且还可以根据驱动故障节点对应的GPU驱动故障类型，基于目标Operator对驱动故障节点进行自动故障修复，从而有效实现了在应用目标GPU的Kubernetes中，对GPU驱动产生的问题进行自动运维，有效提高了Kubernetes中驱动故障节点的故障修复效率。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了Kubernetes节点故障修复装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种Kubernetes节点故障修复方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图2示出根据本公开实施例的一种Kubernetes节点故障修复装置的框图。如图2所示，装置20包括：
确定模块21，用于在应用目标GPU的Kubernetes中，基于目标Operator，确定Kubernetes中存在GPU驱动故障的驱动故障节点；
修复模块22，用于根据驱动故障节点对应的GPU驱动故障类型，基于目标Operator对驱动故障节点进行故障修复。
在一种可能的实现方式中，确定模块21，包括：
检测子模块，用于基于目标Operator中集成的节点问题检测器，检测Kubernetes中各节点上与目标GPU相关的系统日志；
第一确定子模块，用于根据各节点上与目标GPU相关的系统日志，确定驱动故障节点。
在一种可能的实现方式中，GPU驱动故障类型为第一版本GPU驱动安装失败；
修复模块22，包括：
回滚子模块，用于通过执行驱动回滚命令，在驱动故障节点上安装第二版本GPU驱动，其中，第二版本GPU驱动是第一版本GPU驱动的上一版本可用驱动。
在一种可能的实现方式中，GPU驱动故障类型为驱动致命错误；
修复模块22，包括：
封锁子模块，用于通过执行封锁cordon命令，将驱动故障节点标记为不可调度；
重启子模块，用于重启驱动故障节点，并重新加载对应的GPU驱动，得到故障修复后节点；
解封锁子模块，用于通过执行解封锁uncordon命令，将故障修复后节点标记为可调度。
在一种可能的实现方式中，装置20还包括：
驱逐子模块，用于在重启驱动故障节点之前，通过执行驱逐drain命令，将驱动故障节点上的pod驱逐至Kubernetes中不存在GPU驱动故障的节点。
在一种可能的实现方式中，修复模块22，包括：
第二确定子模块，用于确定是否存在与GPU驱动故障类型对应的预设故障修复规则；
修复子模块，用于在存在与GPU驱动故障类型对应的预设故障修复规则的情况下，基于预设故障修复规则，对驱动故障节点进行故障修复。
在一种可能的实现方式中，在GPU驱动故障类型为驱动请求相关故障的情况下，预设故障修复规则为通过控制寄存器对GPU Core进行软重置；和/或，
在GPU驱动故障类型为GPU状态或寄存器相关故障的情况下，预设故障修复规则为通过外部复位信号对GPU Core进行硬重置。
在一种可能的实现方式中，装置20还包括：
生成模块，用于在不存在与GPU驱动故障类型对应的预设故障修复规则的情况下，基于目标Operator生成目标提示信息，其中，目标提示信息用于指示插入与GPU驱动故障类型对应的自定义故障修复规则。
该方法与计算机系统的内部结构存在特定技术关联，且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等)，从而获得符合自然规律的计算机系统内部性能改进的技术效果。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图3示出根据本公开实施例的一种电子设备的框图。参照图3，电子设备800可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等终端设备。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)、通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开涉及增强现实领域，通过获取现实环境中的目标对象的图像信息，进而借助各类视觉相关算法实现对目标对象的相关特征、状态及属性进行检测或识别处理，从而得到与具体应用匹配的虚拟与现实相结合的AR效果。示例性的，目标对象可涉及与人体相关的脸部、肢体、手势、动作等，或者与物体相关的标识物、标志物，或者与场馆或场所相关的沙盘、展示区域或展示物品等。视觉相关算法可涉及视觉定位、SLAM、三维重建、图像注册、背景分割、对象的关键点提取及跟踪、对象的位姿或深度检测等。具体应用不仅可以涉及跟真实场景或物品相关的导览、导航、讲解、重建、虚拟效果叠加展示等交互场景，还可以涉及与人相关的特效处理，比如妆容美化、肢体美化、特效展示、虚拟模型展示等交互场景。可通过卷积神经网络，实现对目标对象的相关特征、状态及属性进行检测或识别处理。上述卷积神经网络是基于深度学习框架进行模型训练而得到的网络模型。
图4示出根据本公开实施例的一种电子设备的框图。参照图4，电子设备1900可以被提供为一服务器或终端设备。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种Kubernetes节点故障修复方法，其特征在于，包括：
在应用目标图形处理器GPU的Kubernetes中，基于目标Operator，确定所述Kubernetes中存在GPU驱动故障的驱动故障节点；
根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复。
2.根据权利要求1所述的方法，其特征在于，所述在应用目标GPU的Kubernetes中，基于目标Operator，确定所述Kubernetes中存在GPU驱动故障的驱动故障节点，包括：
基于所述目标Operator中集成的节点问题检测器，检测所述Kubernetes中各节点上与所述目标GPU相关的系统日志；
根据所述各节点上与所述目标GPU相关的系统日志，确定所述驱动故障节点。
3.根据权利要求1或2所述的方法，其特征在于，所述GPU驱动故障类型为第一版本GPU驱动安装失败；
所述根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复，包括：
通过执行驱动回滚命令，在所述驱动故障节点上安装第二版本GPU驱动，其中，所述第二版本GPU驱动是所述第一版本GPU驱动的上一版本可用驱动。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述GPU驱动故障类型为驱动致命错误；
所述根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复，包括：
通过执行封锁cordon命令，将所述驱动故障节点标记为不可调度；
重启所述驱动故障节点，并重新加载对应的GPU驱动，得到故障修复后节点；
通过执行解封锁uncordon命令，将所述故障修复后节点标记为可调度。
5.根据权利要求4所述的方法，其特征在于，在重启所述驱动故障节点之前，所述方法还包括：
通过执行驱逐drain命令，将所述驱动故障节点上的pod驱逐至所述Kubernetes中不存在GPU驱动故障的节点。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复，包括：
确定是否存在与所述GPU驱动故障类型对应的预设故障修复规则；
在存在与所述GPU驱动故障类型对应的预设故障修复规则的情况下，基于所述预设故障修复规则，对所述驱动故障节点进行故障修复。
7.根据权利要求6所述的方法，其特征在于，在所述GPU驱动故障类型为驱动请求相关故障的情况下，所述预设故障修复规则为通过控制寄存器对GPU核心Core进行软重置；和/或，
在所述GPU驱动故障类型为GPU状态或寄存器相关故障的情况下，所述预设故障修复规则为通过外部复位信号对GPU Core进行硬重置。
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
在不存在与所述GPU驱动故障类型对应的预设故障修复规则的情况下，基于所述目标Operator生成目标提示信息，其中，所述目标提示信息用于指示插入与所述GPU驱动故障类型对应的自定义故障修复规则。
9.一种Kubernetes节点故障修复装置，其特征在于，包括：
确定模块，用于在应用目标GPU的Kubernetes中，基于目标Operator，确定所述Kubernetes中存在GPU驱动故障的驱动故障节点；
修复模块，用于根据所述驱动故障节点对应的GPU驱动故障类型，基于所述目标Operator对所述驱动故障节点进行故障修复。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
CN202211080376.9A 2022-09-05 2022-09-05 Kubernetes节点故障修复方法及装置 Pending CN115408194A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211080376.9A CN115408194A (zh) 2022-09-05 2022-09-05 Kubernetes节点故障修复方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211080376.9A CN115408194A (zh) 2022-09-05 2022-09-05 Kubernetes节点故障修复方法及装置

Publications (1)

Publication Number Publication Date
CN115408194A true CN115408194A (zh) 2022-11-29

Family

ID=84163280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211080376.9A Pending CN115408194A (zh) 2022-09-05 2022-09-05 Kubernetes节点故障修复方法及装置

Country Status (1)

Country Link
CN (1) CN115408194A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107678875A (zh) * 2017-09-29 2018-02-09 北京深思数盾科技股份有限公司 一种故障检测及自动修复方法、装置、终端及存储介质
CN108521339A (zh) * 2018-03-13 2018-09-11 广州西麦科技股份有限公司 一种基于集群日志的反馈式节点故障处理方法及系统
CN111147565A (zh) * 2019-12-22 2020-05-12 北京浪潮数据技术有限公司 一种集群节点控制方法、装置、设备及可读存储介质
CN111580847A (zh) * 2020-06-15 2020-08-25 长沙景嘉微电子股份有限公司 Gpu驱动更新方法、装置及计算机存储介质、电子设备
CN114218004A (zh) * 2021-12-15 2022-03-22 上海道客网络科技有限公司 基于BMC的Kubernetes集群物理节点的故障处理方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107678875A (zh) * 2017-09-29 2018-02-09 北京深思数盾科技股份有限公司 一种故障检测及自动修复方法、装置、终端及存储介质
CN108521339A (zh) * 2018-03-13 2018-09-11 广州西麦科技股份有限公司 一种基于集群日志的反馈式节点故障处理方法及系统
CN111147565A (zh) * 2019-12-22 2020-05-12 北京浪潮数据技术有限公司 一种集群节点控制方法、装置、设备及可读存储介质
CN111580847A (zh) * 2020-06-15 2020-08-25 长沙景嘉微电子股份有限公司 Gpu驱动更新方法、装置及计算机存储介质、电子设备
CN114218004A (zh) * 2021-12-15 2022-03-22 上海道客网络科技有限公司 基于BMC的Kubernetes集群物理节点的故障处理方法和系统

Similar Documents

Publication Publication Date Title
CN114240882A (zh) 缺陷检测方法及装置、电子设备和存储介质
CN113342697B (zh) 闪存转换层仿真测试系统及方法
CN111860373B (zh) 目标检测方法及装置、电子设备和存储介质
CN111931844A (zh) 图像处理方法及装置、电子设备和存储介质
CN112181141B (zh) Ar定位的方法、装置、电子设备及存储介质
CN113139471A (zh) 目标检测方法及装置、电子设备和存储介质
CN112541971A (zh) 点云地图构建方法及装置、电子设备和存储介质
CN112052167A (zh) 生成测试脚本代码的方法和装置
CN112950712B (zh) 定位方法及装置、电子设备和存储介质
CN112837372A (zh) 数据生成方法及装置、电子设备和存储介质
CN112767541A (zh) 三维重建方法及装置、电子设备和存储介质
CN110333903B (zh) 页面加载时长的确定方法及装置
CN115408194A (zh) Kubernetes节点故障修复方法及装置
CN114648649A (zh) 人脸匹配方法及装置、电子设备和存储介质
CN114550265A (zh) 图像处理方法、人脸识别方法及系统
CN114153540A (zh) 预训练模型发布方法及装置、电子设备和存储介质
CN114120199A (zh) 事件统计方法及装置、电子设备和存储介质
CN114549983A (zh) 计算机视觉模型训练方法及装置、电子设备和存储介质
CN114565962A (zh) 人脸图像处理方法及装置、电子设备和存储介质
CN113869295A (zh) 对象检测方法及装置、电子设备和存储介质
CN114067246A (zh) 视频标注、模型测试方法及装置、电子设备和存储介质
CN110162245B (zh) 图形操作的分析方法、装置、电子设备及存储介质
CN107145441B (zh) 页面的显示方法及装置
CN111339964A (zh) 图像处理方法及装置、电子设备和存储介质
CN112461245A (zh) 数据处理方法及装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination