NVIDIA 发布 NodeWright 用于 Kubernetes 节点管理

NVIDIA 正式推出了 NodeWright，这是一款开源的、原生 Kubernetes 的软件包管理器，旨在管理并安全地更新 GPU 集群中的主机操作系统。NodeWright 最初在 NVIDIA 内部以 Skyhook 的名字使用，旨在解决一个主要的操作难点：在不干扰敏感 AI 工作负载或长时间运行任务的情况下维护节点级配置。

管理 Kubernetes 节点一直是一个挑战，尤其是针对基于 GPU 的工作负载。虽然 Kubernetes 负责工作负载调度，但节点级任务——如内核调优、驱动程序更新和安全补丁应用——需要手动脚本、自定义 playbook 或中断性的维护窗口。这在规模化时变得难以接受，特别是在 GPU 等硬件稀缺且任务无法轻易重新调度的情况下。NodeWright 通过启用 声明式的集群范围更新 来解决这些问题，同时遵守 Kubernetes 的原生机制，如 PodDisruptionBudgets 和工作负载标签。

NodeWright 的工作原理

NodeWright 使用三个核心组件运作：操作器、自定义资源和软件包。管理员在 NodeWright 自定义资源 中声明所需更改，通过标签指定目标节点，并定义中断预算。被打包为容器镜像的软件包包含了从 CVE 修复到特定加速器调优任务所需的脚本和配置。操作器随后按照六步流程逐个节点协调更改：隔离、等待、排空、应用、更验证、解除隔离。

这一工作流程确保了最小的中断。例如，运行长时间 AI 训练任务的节点不会在任务中途被打断。相反，NodeWright 会暂停对受保护工作负载的更新，逐步应用更改，并在恢复操作之前验证结果。它实际上是一个 兼容 GitOps 的主机层软件包管理器，可以实现数千节点的安全、自动化部署。

用于集群管理的渐进式部署

NodeWright 的一大亮点是其 DeploymentPolicy 资源，它支持通过固定、线性或指数批次策略进行渐进式部署。这使管理员可以从一个单一的金丝雀节点开始，验证更新，然后自信地将更改扩展到整个集群。成功和失败的阈值提供了额外的保障，在出现问题时停止更新。这些控制对于大型 GPU 集群至关重要，因为即使是微小的中断也可能对生产力产生巨大影响。

为 GPU 和 AI 工作负载量身定制

NodeWright 特别适合 GPU 加速工作负载，这是 NVIDIA 拥有无与伦比专业知识的领域。该工具与 NVIDIA 的 AI 生态系统无缝集成，包括 AI 集群运行时 (AICR)，它为驱动程序、内核和系统配置提供了验证的配方。NVIDIA 还发布了用于常见任务的预构建软件包，例如调优 NVIDIA Hopper 和 Blackwell GPU 或配置 Google Kubernetes Engine (GKE) 和 Amazon Elastic Kubernetes Service (EKS) 等云环境中的节点。

重要意义

对于运行 AI 工厂或 GPU 密集型 Kubernetes 集群的企业来说，NodeWright 是一个改变游戏规则的工具。它弥合了工作负载编排与节点管理之间的关键差距，将 Kubernetes 风格的自动化和声明式管理引入底层主机层。通过消除手动干预和电子表格的需求，它降低了操作风险并提高了正常运行时间。

这一时机正好符合对可扩展 AI 基础设施日益增长的需求，在节点级效率不足引起的延误可能造成数百万损失的情况下，尤为关键。NVIDIA 的开源方法确保了广泛的可访问性，邀请 Kubernetes 和 AI 社区的贡献者扩展其功能。

未来发展

NodeWright 现已作为开源项目在 Apache 2.0 许可下发布。管理员可以通过 Helm 图表安装它，并立即开始管理集群。NVIDIA 计划继续增强该平台，推出新软件包和集成，重点支持复杂的云和硬件配置。

对于大规模采用 AI 的企业来说，NodeWright 提供了一条简化操作、最小化中断并确保其 Kubernetes 集群中节点性能一致的路径。