ansible-devops/scripts

GPU 环境标准化部署脚本使用说明：

---

一、脚本概述

该脚本旨在简化 GPU 相关应用的安装流程，适用于需要快速部署 GPU 环境的场景。

• 核心功能：

  脚本可批量完成网卡驱动、显卡驱动、fabricmanager互联管理器、CUDA 工具包、Nvidia-dcgm、DCGM-EXporter、Node-EXporter 核心组件的安装与卸载操作 
  

• 配置说明：

  用户管理：若需删除 ubuntu 用户，需手动执行相关用户删除命令，并妥善处理该用户关联的数据与权限。​
  磁盘管理：磁盘分区扩容需通过磁盘管理工具，根据实际需求对磁盘进行分区调整与扩容操作，以满足应用存储需求。​
  网络配置：网卡重命名需手动修改网络配置文件，根据实际网络环境对网卡名称进行重新定义，确保网络连接正常。
  

• 使用建议：

  新系统推荐使用一键自动安装脚本，可快速、全面地完成 GPU 相关应用的部署，具体使用方法详见文章末尾说明。​若系统之前已存在相关安装内容，或需要对各组件进行独立、定制化部署，建议使用单独部署脚本安装。
  

二、使用说明

（1）系统初始化

cd /opt/ && wget -qO- http://116.205.97.109/scripts/system_optimize.sh|bash

#磁盘扩容(初始化脚本已集成无须重新执行)
#lvresize --extents +100%FREE --resizefs /dev/mapper/ubuntu--vg-ubuntu--lv

#修改主机名(初始化脚本已集成无须重新执行)
#IP=$(ip addr | awk '/^[0-9]+: / {}; /inet.*global/ {print gensub(/(.*)\/(.*)/, "\\1", "g", $2)}' | grep `ip route | grep default | awk '{print $3}' | awk -F. '{print $1"."$2}' | head -1` | head -1 | sed 's/\./-/g') 
#hostnamectl set-hostname $IP
#bash

#内核锁定(初始化脚本已集成无须重新执行)
#apt-mark hold  $(dpkg -l | grep -E "linux-(headers|image|unsigned|modules|modules-extra)" | grep "6.8.0-53" | awk '{print $2}') 
#dpkg --get-selections | grep hold  #查看

（2）MLNX_OFED 网络套件安装/卸载

#支持版本[23.10-1.1.9.0]
cd /opt/ && wget -qO- http://116.205.97.109/scripts/ib-drive.sh|bash -s --  --install  --version "24.10-2.1.8.0" --distro "ubuntu24.04"

（3）IB 网卡排序

#支持版本[23.10-1.1.9.0]
cd /opt/ && wget -qO- http://116.205.97.109/scripts/ib.sh|bash -s --  --install

（4）Nvidia 显卡驱动安装/卸载

#支持版本[565.57.01]  [570.124.06]
cd /opt/ && wget -qO- http://116.205.97.109/scripts/nvidia-driver.sh | bash -s -- --install --version '565.57.01'
cd /opt/ && wget -qO- http://116.205.97.109/scripts/nvidia-driver.sh | bash -s -- --install --version '570.124.06'

（5）GPU 互联管理器安装/卸载

#支持版本[565_565.57.01-1]  [570_570.124.06-1]
cd /opt/ && wget -qO- http://116.205.97.109/scripts/nvidia-fabricmanager.sh|bash -s -- --install --distro ubuntu22.04 --version 565_565.57.01-1
cd /opt/ && wget -qO- http://116.205.97.109/scripts/nvidia-fabricmanager.sh|bash -s -- --install --distro ubuntu24.04 --version 570_570.124.06-1

（6）NVIDIA CUDA 工具包部署/卸载

#支持版本[12.6.3_560.35.05]  [12.8.1_570.124.06]
cd /opt/ && wget -qO- http://116.205.97.109/scripts/cuda.sh | bash -s -- --install --version '12.6.3_560.35.05'
cd /opt/ && wget -qO- http://116.205.97.109/scripts/cuda.sh | bash -s -- --install --version '12.8.1_570.124.06'

（7）dcgm/node exporter 部署/卸载

cd /opt/ && wget -qO- http://116.205.97.109/scripts/nvidia-dcgm.sh   | bash -s -- --install 
cd /opt/ && wget -qO- http://116.205.97.109/scripts/dcgm-exporter.sh | bash -s -- --install
cd /opt/ && wget -qO- http://116.205.97.109/scripts/node-exporter.sh | bash -s -- --install
cd /opt/ && wget -qO- http://116.205.97.109/scripts/deploy_gpu_monitor.sh | bash -s -- --install #针对dcgm-exporter 进行自定义扩展，后期集成到dcgm中

cd /opt/ && wget -qO- http://116.205.97.109/scripts/nvidia-dcgm.sh   | bash -s -- --uninstall 
cd /opt/ && wget -qO- http://116.205.97.109/scripts/dcgm-exporter.sh | bash -s -- --uninstall
cd /opt/ && wget -qO- http://116.205.97.109/scripts/node-exporter.sh | bash -s -- --uninstall
cd /opt/ && wget -qO- http://116.205.97.109/scripts/deploy_gpu_monitor.sh | bash -s -- --uninstall

（8）Docker 安装/卸载

#支持版本[5:28.4.0-1~ubuntu.24.04~noble]
cd /opt/ && wget -qO- http://116.205.97.109/scripts/docker.sh | bash -s -- --install --version '5:28.4.0-1~ubuntu.24.04~noble'
cd /opt/ && wget -qO- http://116.205.97.109/scripts/docker.sh | bash -s -- --uninstall --version '5:28.4.0-1~ubuntu.24.04~noble'

（9）nvidia-container-toolkit 安装/卸载

#支持版本[1.17.6-1,1.17.7-1,1.17.8-1.....]
cd /opt/ && wget -qO- http://116.205.97.109/scripts/nvidia-container-toolkit.sh | bash -s -- --install --version '1.17.6-1'
cd /opt/ && wget -qO- http://116.205.97.109/scripts/nvidia-container-toolkit.sh | bash -s -- --uninstall --version '1.17.6-1'
#查看版本：nvidia-container-runtime --version|head -1

（10）Clonezilla 母机增强配置

#在再生龙克隆系统前，对目标母机系统进行增强配置，实现克隆还原后系统 “开箱即用”：无需手动修改主机名、带内IP、修复udev规则文件丢失问题等。
cd /opt/ && wget -qO- http://116.205.97.109/scripts/clonezilla_config.sh | bash

#=注意：配置 IP 映射关系
脚本执行完成后，需在母机的 /opt/ip.txt 文件中，按格式填写还原后主机的带内 IP，带外 IP 对应关系（后续克隆到目标机后，系统会自动匹配配置）如：
cat /opt/ip.txt
#第一列:带内IP,第二列子网掩码，第三列带内网关，第四列带外IP
172.51.4.1     26      172.51.4.126    172.51.2.50
172.51.4.2     26      172.51.4.126    172.51.2.50
.......

（11）批量安装/卸载

#安装/卸载服务(安装或卸载时间较长,建议放后台执行。)：
#组合[1]-----------------------------------------------------------------------------------------------------------------------------------
screen -dmS install_script bash -c  "cd /opt/ && wget -qO- http://116.205.97.109/scripts/gpu-manager.sh|bash -s -- --install --version 1 --include=exporter  2>&1 > /opt/gpu-manager.log";
tail -f /opt/gpu-manager.log

screen -dmS uninstall_script bash -c "cd /opt/ && wget -qO- http://116.205.97.109/scripts/gpu-manager.sh|bash -s -- --uninstall --version 1 --include=exporter  2>&1 > /opt/gpu-manager.log";
tail -f /opt/gpu-manager.log

#组合[2]-----------------------------------------------------------------------------------------------------------------------------------
screen -dmS install_script bash -c  "cd /opt/ && wget -qO- http://116.205.97.109/scripts/gpu-manager.sh|bash -s -- --install --version 2 --include=exporter  2>&1 > /opt/gpu-manager.log";
tail -f /opt/gpu-manager.log

screen -dmS uninstall_script bash -c "cd /opt/ && wget -qO- http://116.205.97.109/scripts/gpu-manager.sh|bash -s -- --uninstall --version 2 --include=exporter  2>&1 > /opt/gpu-manager.log";
tail -f /opt/gpu-manager.log

#说明：
#version 1 表示安装/卸载七.[1]组件版本：mlnx_ofed-23.10.1.1.9.0+nvidia_drive-565.57.01 +cuda-12.6.3.560.35.05 +fabricmanager-565_565.57.01.1
#version 2 表示安装/卸载七.[2]组件版本：mlnx_ofed-23.10.1.1.9.0+nvidia_drive-570.124.06+cuda-12.8.1.570.124.06+fabricmanager-570.124.06.1
#--include=exporter 指定该参数,脚本将安装/卸载exporter组件中的相关服务[dcgm-exporter,node-exporter,nvidia-dcgm],默认不安装/卸载。

特别提醒：

GPU:B200系列：
  （1）B200系列安装fabricmanager 时，需要安装nvlsm,否则faricmanager无法启动。
       wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/nvlsm_2025.03.1-1_amd64.deb
       dpkg -i nvlsm_2025.03.1-1_amd64.deb
超威机型：
  （1）超威机型需要在:/etc/default/grub文件下添加GRUB_CMDLINE_LINUX="quiet splash nokaslr"参数，否则CUDA初始化失败。
  （2）超威机型需要在:/etc/default/grub文件下添加GRUB_CMDLINE_LINUX_DEFAULT="intel_iommu=off" #正确关闭iommu
   (3) 超威机型挂载镜像: http协议:file_server:http://10.51.151.201  镜像路径：/iso/ubu22043.iso

再生龙镜像还原：
  （1）华擎B200:再生龙镜像：NFS：10.102.35.99：/nfs/clone.iso  备份路径：/nfs/2025-05-26-09-B200-960g-img #华擎机型对再生龙引导镜像版本无要求。
  （2）超威B200:再生龙镜像:10.102.35.99：/nfs/clone.iso   备份路径: /nfs/chaowei-B200-1.7T-img #注意超威机型对再生龙引导镜像对版本有要求，最新版本无法引导。
   (3) 技嘉A100:再生龙镜像:10.101.0.86:/nfs/  备份路径: /nfs/2025-07-15-03-Jijia-A100-960G-img #技嘉A100-磁盘960G-CX7

ubuntu2404:（临时）

cd /opt/ 
wget https://content.mellanox.com/ofed/MLNX_OFED-24.10-2.1.8.0/MLNX_OFED_LINUX-24.10-2.1.8.0-ubuntu24.04-x86_64.tgz #[ubuntu24.04]
wget https://developer.download.nvidia.cn/compute/cuda/repos/ubuntu2404/x86_64/nvidia-fabricmanager-570_570.124.06-1_amd64.deb #[ubuntu24.04]
wget https://cn.download.nvidia.com/tesla/570.124.06/NVIDIA-Linux-x86_64-570.124.06.run #[无版本要求]
wget https://developer.download.nvidia.com/compute/cuda/12.8.1/local_installers/cuda_12.8.1_570.124.06_linux.run #[无版本要求]
cd /opt/ && git clone http://116.205.97.109:3000/yindun/ansible-devops.git
cd /opt/ansible-devops/scripts/

#-----临时替换适配ubuntu24.04
sed -i -e 's/5.8-6.0.4.2/24.10-2.1.8.0/g' -e 's/22.04/24.04/g' ib-drive.sh && sed -i 's/2204/2404/g' nvidia-fabricmanager.sh
bash system_optimize.sh --install
bash ib-drive.sh --install --version "24.10-2.1.8.0"
bash nvidia-driver.sh --install --version '570.124.06'
bash nvidia-fabricmanager.sh --install --version "570_570.124.06-1"
bash cuda.sh --install --version "12.8.1_570.124.06"

#安装exporter
cd /opt/ && wget -qO- http://116.205.97.109/scripts/nvidia-dcgm.sh | bash -s -- --install 
cd /opt/ && wget -qO- http://116.205.97.109/scripts/dcgm-exporter.sh | bash -s -- --install
cd /opt/ && wget -qO- http://116.205.97.109/scripts/node-exporter.sh | bash -s -- --install
cd /opt/ && wget -qO- http://116.205.97.109/scripts/deploy_gpu_monitor.sh | bash -s -- --install #针对dcgm-exporter 进行自定义扩展，后期集成到dcgm中

#修改主机名，内核版本锁定，根分区扩容已集成在初始化脚本中无须重复执行。

# 平湖引导镜像：10.101.0.34  /nfs/iso/gpu550.iso