Utiliser les GPU sur Hikube

Ce guide présente les deux méthodes d'utilisation des GPU : avec des machines virtuelles et avec des clusters Kubernetes.

---

🎯 Méthodes d'Usage

Hikube propose deux approches pour utiliser les GPU :

1. GPU avec VM : Attachment direct d'un GPU à une machine virtuelle
2. GPU avec Kubernetes : Allocation de GPU aux workers pour utilisation par les pods

---

🖥️ Méthode 1 : GPU avec Machine Virtuelle

Étape 1 : Créer le disque

vm-disk.yaml

apiVersion: apps.cozystack.io/v1alpha1
kind: VMDisk
metadata:
  name: ubuntu-gpu-disk
spec:
  source:
    http:
      url: https://cloud-images.ubuntu.com/noble/current/noble-server-cloudimg-amd64.img
  optical: false
  storage: 50Gi
  storageClass: "replicated"

Étape 2 : Créer la VM avec GPU

vm-gpu.yaml

apiVersion: apps.cozystack.io/v1alpha1
kind: VirtualMachine
metadata:
  name: vm-gpu-example
spec:
  running: true
  instanceProfile: ubuntu
  instanceType: u1.xlarge  # 4 vCPU, 16 GB RAM
  gpus:
    - name: "nvidia.com/AD102GL_L40S"
  systemDisk:
    size: 50Gi
    storageClass: replicated
  external: true
  externalMethod: PortList
  externalPorts:
    - 22
  sshKeys:
    - "ssh-rsa AAAAB3NzaC... votre-clé-publique"
  cloudInit: |
    #cloud-config
    users:
      - name: ubuntu
        sudo: ALL=(ALL) NOPASSWD:ALL
        shell: /bin/bash
    
    package_update: true
    packages:
      - curl
      - wget
      - build-essential
    
    runcmd:
      # Installation pilotes NVIDIA
      - wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
      - dpkg -i cuda-keyring_1.0-1_all.deb
      - apt-get update
      - apt-get install -y cuda-toolkit nvidia-driver-535
      - nvidia-smi -pm 1

Étape 3 : Déployer

kubectl apply -f vm-disk.yaml
kubectl apply -f vm-gpu.yaml

# Vérifier l'état
kubectl get virtualmachine vm-gpu-example

Étape 4 : Accéder et tester

# Accès SSH
virtctl ssh ubuntu@vm-gpu-example

# Vérifier le GPU
nvidia-smi

---

☸️ Méthode 2 : GPU avec Kubernetes

Étape 1 : Créer un cluster avec workers GPU

cluster-gpu.yaml

apiVersion: apps.cozystack.io/v1alpha1
kind: Kubernetes
metadata:
  name: cluster-gpu
spec:
  controlPlane:
    replicas: 1
  
  nodeGroups:
    # Workers GPU
    gpu-nodes:
      minReplicas: 1
      maxReplicas: 3
      instanceType: "u1.xlarge"
      ephemeralStorage: 100Gi
      gpus:
        - name: "nvidia.com/AD102GL_L40S"
    
    # Workers standard (optionnel)
    standard-nodes:
      minReplicas: 1
      maxReplicas: 2
      instanceType: "s1.medium"
      ephemeralStorage: 50Gi
  
  storageClass: "replicated"

Étape 2 : Déployer le cluster

kubectl apply -f cluster-gpu.yaml

# Attendre que le cluster soit prêt
kubectl get kubernetes cluster-gpu -w

Étape 3 : Configurer l'accès

# Récupérer le kubeconfig
kubectl get secret cluster-gpu-admin-kubeconfig \
  -o go-template='{{ printf "%s\n" (index .data "super-admin.conf" | base64decode) }}' \
  > cluster-gpu-kubeconfig.yaml

# Utiliser le cluster GPU
export KUBECONFIG=cluster-gpu-kubeconfig.yaml
kubectl get nodes

Étape 4 : Déployer un pod GPU

pod-gpu.yaml

apiVersion: v1
kind: Pod
metadata:
  name: gpu-test
spec:
  containers:
  - name: gpu-container
    image: nvidia/cuda:12.0-runtime-ubuntu20.04
    command: ["sleep", "infinity"]
    resources:
      limits:
        nvidia.com/gpu: 1
      requests:
        nvidia.com/gpu: 1

kubectl apply -f pod-gpu.yaml

# Vérifier l'allocation GPU
kubectl describe pod gpu-test

# Tester le GPU
kubectl exec -it gpu-test -- nvidia-smi

---

📋 Comparaison Pratique

Aspect	VM GPU	Kubernetes GPU
Temps setup	~5 minutes	~10 minutes
Complexité	Simple	Modérée
Isolation	Totale	Partielle
Flexibilité	Limitée	Élevée
Scaling	Manuel	Automatique

---

🔧 Types de GPU Disponibles

Configuration selon l'usage

# Pour inférence/développement
gpus:
  - name: "nvidia.com/AD102GL_L40S"  # 48 GB GDDR6

# Pour entraînement ML
gpus:
  - name: "nvidia.com/GA100_A100_PCIE_80GB"  # 80 GB HBM2e

# Pour LLM/calcul exascale
gpus:
  - name: "nvidia.com/H100_94GB"  # 80 GB HBM3

---

✅ Vérifications Post-Déploiement

VM GPU

# Vérifier le GPU
virtctl ssh ubuntu@vm-gpu-example -- nvidia-smi

# Test CUDA
virtctl ssh ubuntu@vm-gpu-example -- nvcc --version

Kubernetes GPU

# Voir les ressources GPU disponibles
kubectl describe nodes

# Vérifier l'allocation
kubectl top nodes

---

🚀 Prochaines Étapes

Pour approfondir VM GPU :

• Configuration avancée VM
• Types d'instances optimisées

Pour approfondir Kubernetes GPU :

• Clusters avec GPU
• Scaling automatique

---

💡 Conseils

• VM GPU : Idéal pour prototypage et applications legacy
• Kubernetes GPU : Recommandé pour workloads de production scalables
• Commencez par L40S pour tester avant d'utiliser A100/H100
• Utilisez replicated storage class pour la production