Batchsystem mit Kueue bereitstellen

In dieser Anleitung erfahren Sie, wie Sie die verfügbaren Ressourcen optimieren, indem Sie Jobs mit Kueue in der Google Kubernetes Engine (GKE) planen. In dieser Anleitung erfahren Sie, wie Sie mit Kueue Batchjobs effektiv verwalten und planen, die Ressourcennutzung verbessern und die Arbeitslastverwaltung vereinfachen. Sie richten einen freigegebenen Cluster für zwei Mandantenteams ein, wobei jedes Team einen eigenen Namespace hat und jedes Team Jobs erstellt, die globale Ressourcen gemeinsam nutzen. Außerdem konfigurieren Sie die Warteschlange so, dass die Jobs basierend auf von Ihnen definierten Ressourcenkontingenten geplant werden.

Diese Anleitung richtet sich an Cloud-Architekten und Plattformingenieure, die ein Batchsystem mit GKE implementieren möchten. Weitere Informationen zu gängigen Rollen und Beispielaufgaben, auf die in Google Cloudverwiesen wird, finden Sie unter Häufig verwendete GKE Enterprise-Nutzerrollen und ‑Aufgaben.

Machen Sie sich vor dem Lesen dieser Seite mit den folgenden Themen vertraut:

Hintergrund

Jobs sind Anwendungen, die bis zum Ende ausgeführt werden, z. B. maschinelles Lernen, Rendering, Simulation, Analysen, CI/CD und ähnliche Arbeitslasten.

Kueue ist ein cloudnativer Job-Scheduler, der mit dem Standard-Kubernetes-Scheduler, dem Job-Controller und der Cluster-Autoscaler zusammenarbeitet, um ein End-to-End-Batchsystem bereitzustellen. Kueue implementiert die Jobwarteschlangen und entscheidet anhand der Kontingente und einer Hierarchie für die faire Freigabe von Ressourcen, wann Jobs warten und wann sie gestartet werden sollen.

Kueue hat folgende Eigenschaften:

  • Es ist für Cloud-Architekturen optimiert, in denen Ressourcen heterogen, austauschbar und skalierbar sind.
  • Es bietet eine Reihe von APIs zum Verwalten elastischer Kontingente und Jobwarteschlangen.
  • Vorhandene Funktionen wie Autoscaling, Pod-Planung oder Job-Lebenszyklusverwaltung werden nicht neu implementiert.
  • Kueue bietet eine integrierte Unterstützung für die Kubernetesbatch/v1.Job API.
  • Sie kann mit anderen Job-APIs integriert werden.

Kueue bezieht sich auf Jobs, die mit einer beliebigen API als Arbeitslasten definiert sind, um Verwechslungen mit der spezifischen Kubernetes-Job-API zu vermeiden.

Lernziele

  1. GKE-Cluster erstellen
  2. ResourceFlavor erstellen
  3. ClusterQueue erstellen
  4. LocalQueue erstellen
  5. Jobs erstellen und zugelassene Arbeitslasten beobachten

Kosten

In dieser Anleitung werden die folgenden kostenpflichtigen Komponenten von Google Cloudverwendet:

Sie können mithilfe des Preisrechners eine Kostenschätzung für Ihre voraussichtliche Nutzung erstellen.

Nach Abschluss dieser Anleitung können Sie weitere Kosten vermeiden, indem Sie die erstellten Ressourcen löschen. Weitere Informationen finden Sie unter Bereinigen.

Vorbereitung

Projekt einrichten

  1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

  2. In the Google Cloud console, on the project selector page, click Create project to begin creating a new Google Cloud project.

    Go to project selector

  3. Make sure that billing is enabled for your Google Cloud project.

  4. Enable the GKE API.

    Enable the API

    5.

  5. In the Google Cloud console, on the project selector page, click Create project to begin creating a new Google Cloud project.

    Go to project selector

  6. Make sure that billing is enabled for your Google Cloud project.

  7. Enable the GKE API.

    Enable the API

    8.

Standardeinstellungen für die Google Cloud CLI festlegen

  1. Starten Sie in der Google Cloud -Konsole eine Cloud Shell-Instanz:
    Cloud Shell öffnen

  2. Laden Sie den Quellcode für diese Beispielanwendung herunter:

    git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples
cd kubernetes-engine-samples/batch/kueue-intro

  3. Legen Sie die Standardumgebungsvariablen fest:

    gcloud config set project PROJECT_ID
gcloud config set compute/region COMPUTE_REGION

    Ersetzen Sie die folgenden Werte:

GKE-Cluster erstellen

  1. Erstellen Sie einen GKE Autopilot-Cluster mit dem Namen kueue-autopilot:

    gcloud container clusters create-auto kueue-autopilot \
  --release-channel "rapid" --region COMPUTE_REGION

    Autopilot-Cluster werden vollständig verwaltet und haben integriertes Autoscaling. Weitere Informationen zu GKE-Autopilot.

    Kueue unterstützt auch GKE Standard mit automatischer Knotenbereitstellung und regulären automatisch skalierten Knotenpools.

    Das Ergebnis sieht nach der Erstellung des Clusters in etwa so aus:

      NAME: kueue-autopilot
  LOCATION: us-central1
  MASTER_VERSION: 1.26.2-gke.1000
  MASTER_IP: 35.193.173.228
  MACHINE_TYPE: e2-medium
  NODE_VERSION: 1.26.2-gke.1000
  NUM_NODES: 3
  STATUS: RUNNING

    Dabei ist STATUS gleich RUNNING für den kueue-autopilot.

  2. Authentifizierungsdaten für den Cluster abrufen:

    gcloud container clusters get-credentials kueue-autopilot

  3. Installieren Sie Kueue im Cluster:

    VERSION=VERSION
kubectl apply --server-side -f \
  https://github.com/kubernetes-sigs/kueue/releases/download/$VERSION/manifests.yaml

    Ersetzen Sie VERSION durch die neueste Version von Kueue. Weitere Informationen zu Kueue-Versionen finden Sie unter Kueue-Releases.

  4. Warten Sie, bis die Kueue-Pods bereit sind:

    watch kubectl -n kueue-system get pods

    Die Ausgabe sollte in etwa so aussehen, bevor Sie fortfahren können:

    NAME                                        READY   STATUS    RESTARTS   AGE
kueue-controller-manager-66d8bb946b-wr2l2   2/2     Running   0          3m36s

  5. Erstellen Sie zwei neue Namespaces mit den Namen team-a und team-b:

    kubectl create namespace team-a
kubectl create namespace team-b

ResourceFlavor erstellen

Ein ResourceFlavor ist ein Objekt, das die Unterschiede zwischen den in Ihrem Cluster verfügbaren Knoten darstellt, indem sie mit Knotenlabels und ‑markierungen verknüpft werden. Sie können mit ResourceFlavors beispielsweise VMs mit unterschiedlichen Garantien (z. B. Spot im Vergleich zu On-Demand), Architekturen (z. B. x86 im Vergleich zu ARM-CPUs), Marken und Modellen (z. B. Nvidia A100 im Vergleich zu T4-GPUs) darstellen.

In dieser Anleitung hat der kueue-autopilot-Cluster homogene Ressourcen. Erstellen Sie daher eine einzelne ResourceFlavor für CPU, Arbeitsspeicher, sitzungsspezifischen Speicher und GPUs ohne Labels oder Taints.

apiVersion: kueue.x-k8s.io/v1beta1
kind: ResourceFlavor
metadata:
  name: default-flavor # This ResourceFlavor will be used for all the resources
Stellen Sie das ResourceFlavor bereit:

kubectl apply -f flavors.yaml

ClusterQueue erstellen

Eine ClusterQueue ist ein Objekt auf Clusterebene, das einen Pool von Ressourcen wie CPU, Arbeitsspeicher und GPU verwaltet. Er verwaltet die ResourceFlavors, schränkt die Nutzung ein und legt die Reihenfolge fest, in der Arbeitslasten zugelassen werden.

apiVersion: kueue.x-k8s.io/v1beta1
kind: ClusterQueue
metadata:
  name: cluster-queue
spec:
  namespaceSelector: {} # Available to all namespaces
  queueingStrategy: BestEffortFIFO # Default queueing strategy
  resourceGroups:
  - coveredResources: ["cpu", "memory", "nvidia.com/gpu", "ephemeral-storage"]
    flavors:
    - name: "default-flavor"
      resources:
      - name: "cpu"
        nominalQuota: 10
      - name: "memory"
        nominalQuota: 10Gi
      - name: "nvidia.com/gpu"
        nominalQuota: 10
      - name: "ephemeral-storage"
        nominalQuota: 10Gi

ClusterQueue bereitstellen:

kubectl apply -f cluster-queue.yaml

Die Reihenfolge des Verbrauchs wird durch .spec.queueingStrategy bestimmt. Es gibt zwei Konfigurationen:

  • BestEffortFIFO

    • Die Standardkonfiguration der Warteschlangenstrategie.
    • Die Aufnahme von Arbeitslasten erfolgt nach der FIFO-Regel (first in first out). Wenn jedoch das Kontingent nicht ausreicht, um die Arbeitslast am Anfang der Warteschlange aufzunehmen, wird die nächste in der Reihe versucht.

  • StrictFIFO

    • Garantiert FIFO-Semantik.
    • Die Arbeitslast an der Spitze der Warteschlange kann die Warteschlange blockieren, bis die Arbeitslast zugelassen werden kann.

In cluster-queue.yaml erstellen Sie eine neue ClusterQueue namens cluster-queue. Diese ClusterQueue verwaltet vier Ressourcen, cpu, memory, nvidia.com/gpu und ephemeral-storage, mit dem in flavors.yaml erstellten Flavor. Das Kontingent wird durch die Anfragen in den Pod-Spezifikationen der Arbeitslast verbraucht.

Jede Variante hat Nutzungslimits, die als .spec.resourceGroups[].flavors[].resources[].nominalQuota dargestellt werden. In diesem Fall lässt die ClusterQueue Arbeitslasten nur zu, wenn folgende Bedingungen erfüllt sind:

  • Die Summe der CPU-Anfragen ist kleiner oder gleich 10.
  • Die Summe der Speicheranfragen ist kleiner oder gleich 10 Gi.
  • Die Summe der GPU-Anfragen ist kleiner oder gleich 10.
  • Die Summe des verwendeten Speichers ist kleiner oder gleich 10 Gi.

LocalQueue erstellen

Eine LocalQueue ist ein Namespace-Objekt, das Arbeitslasten von Nutzern im Namespace akzeptiert. LocalQueues aus verschiedenen Namespaces können auf dieselbe ClusterQueue verweisen, in der sie das Kontingent der Ressourcen teilen können. In diesem Fall verweist die LocalQueue aus den Namespaces team-a und team-b auf dieselbe ClusterQueue cluster-queue unter .spec.clusterQueue.

apiVersion: kueue.x-k8s.io/v1beta1
kind: LocalQueue
metadata:
  namespace: team-a # LocalQueue under team-a namespace
  name: lq-team-a
spec:
  clusterQueue: cluster-queue # Point to the ClusterQueue
---
apiVersion: kueue.x-k8s.io/v1beta1
kind: LocalQueue
metadata:
  namespace: team-b # LocalQueue under team-b namespace
  name: lq-team-b
spec:
  clusterQueue: cluster-queue # Point to the ClusterQueue

Jedes Team sendet seine Arbeitslasten an die LocalQueue in seinem eigenen Namespace. Diesen werden dann von der ClusterQueue Ressourcen zugewiesen.

LocalQueues bereitstellen:

kubectl apply -f local-queue.yaml

Jobs erstellen und zugelassene Arbeitslasten beobachten

apiVersion: batch/v1
kind: Job
metadata:
  namespace: team-a # Job under team-a namespace
  generateName: sample-job-team-a-
  annotations:
    kueue.x-k8s.io/queue-name: lq-team-a # Point to the LocalQueue
spec:
  ttlSecondsAfterFinished: 60 # Job will be deleted after 60 seconds
  parallelism: 3 # This Job will have 3 replicas running at the same time
  completions: 3 # This Job requires 3 completions
  suspend: true # Set to true to allow Kueue to control the Job when it starts
  template:
    spec:
      nodeSelector:
        cloud.google.com/gke-accelerator: "nvidia-tesla-t4" # Specify the GPU hardware
      containers:
      - name: dummy-job
        image: gcr.io/k8s-staging-perf-tests/sleep:latest
        args: ["10s"] # Sleep for 10 seconds
        resources:
          requests:
            cpu: "500m"
            memory: "512Mi"
            ephemeral-storage: "512Mi"
            nvidia.com/gpu: "1"
          limits:
            cpu: "500m"
            memory: "512Mi"
            ephemeral-storage: "512Mi"
            nvidia.com/gpu: "1"
      restartPolicy: Never

Jobs werden unter dem Namespace team-a erstellt. Dieser Job verweist auf die LocalQueue lq-team-a. Wenn Sie GPU-Ressourcen anfordern möchten, wird nodeSelector auf nvidia-tesla-t4 festgelegt.

Der Job besteht aus drei Pods, die parallel zehn Sekunden lang in den Ruhemodus wechseln. Jobs werden entsprechend ttlSecondsAfterFinished nach 60 Sekunden bereinigt.

Für diesen Job sind 1.500 MilliCPU, 1.536 Mi Arbeitsspeicher, 1.536 Mi sitzungsspezifischer Speicher und drei GPUs erforderlich, da es drei Pods gibt.

Jobs werden auch unter der Datei job-team-b.yaml erstellt, deren Namespace zu team-b gehört, mit Anfragen, die verschiedene Teams mit unterschiedlichen Bedürfnissen repräsentieren.

Weitere Informationen finden Sie unter GPU-Arbeitslasten in Autopilot bereitstellen.

  1. Beobachten Sie in einem neuen Terminal den Status der ClusterQueue, der alle zwei Sekunden aktualisiert wird:

    watch -n 2 kubectl get clusterqueue cluster-queue -o wide

  2. Sehen Sie sich in einem neuen Terminal den Status der Knoten an:

    watch -n 2 kubectl get nodes -o wide

  3. Erstellen Sie in einem neuen Terminal alle 10 Sekunden Jobs für die LocalQueue aus den Namespaces team-a und team-b:

    ./create_jobs.sh job-team-a.yaml job-team-b.yaml 10

  4. Beobachten Sie, wie Jobs in die Warteschlange gestellt und in der ClusterQueue zugelassen werden und wie Knoten mit GKE Autopilot erstellt werden.

  5. Job aus dem Namespace team-a abrufen:

    kubectl -n team-a get jobs

    Die Ausgabe sieht in etwa so aus:

    NAME                      COMPLETIONS   DURATION   AGE
sample-job-team-b-t6jnr   3/3           21s        3m27s
sample-job-team-a-tm7kc   0/3                      2m27s
sample-job-team-a-vjtnw   3/3           30s        3m50s
sample-job-team-b-vn6rp   0/3                      40s
sample-job-team-a-z86h2   0/3                      2m15s
sample-job-team-b-zfwj8   0/3                      28s
sample-job-team-a-zjkbj   0/3                      4s
sample-job-team-a-zzvjg   3/3           83s        4m50s

  6. Kopieren Sie einen Jobnamen aus dem vorherigen Schritt und beobachten Sie den Zulassungsstatus und die Ereignisse für einen Job über die Workloads API:

    kubectl -n team-a describe workload JOB_NAME

  7. Wenn die ausstehenden Jobs von der ClusterQueue-Ressource zunehmen, beenden Sie das Script, indem Sie im ausgeführten Script CTRL + C drücken.

  8. Sobald alle Jobs abgeschlossen sind, werden die Knoten herunterskaliert.

Bereinigen

Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.

Projekt löschen

  1. In the Google Cloud console, go to the Manage resources page.

    Go to Manage resources

  2. In the project list, select the project that you want to delete, and then click Delete.
  3. In the dialog, type the project ID, and then click Shut down to delete the project.

Einzelne Ressource löschen

  1. Das Kueue-Kontingentsystem löschen:

    kubectl delete -n team-a localqueue lq-team-a
kubectl delete -n team-b localqueue lq-team-b
kubectl delete clusterqueue cluster-queue
kubectl delete resourceflavor default-flavor

  2. Das Kueue-Manifest löschen:

    VERSION=VERSION
kubectl delete -f \
  https://github.com/kubernetes-sigs/kueue/releases/download/$VERSION/manifests.yaml

  3. Löschen Sie den Cluster:

    gcloud container clusters delete kueue-autopilot --region=COMPUTE_REGION

Nächste Schritte