ansible-devops/scripts/README.md

<h2 align="center">GPU 环境标准化部署脚本使用说明：</h2>

<p align="center">
  <img src="https://img.shields.io/github/languages/code-size/nanchengcyu/TechMindWave-frontend" alt="code size"/>
  <img src="https://img.shields.io/badge/ofed-17.0.2-blue" alt="ofed"/>
  <img src="https://img.shields.io/badge/NVIDIA-565.57.01-brightgreen" alt="NVIDIA"/>
  <img src="https://img.shields.io/badge/fabricmanager-565.57.01-blue" alt="fabricmanager"/>
  <img src="https://img.shields.io/badge/CUDA-12.6.3-brightgreen" alt="CUDA"/>
  <br>
  <img src="https://img.shields.io/badge/Author-王云龙-orange" alt="Author" />
</p>
<hr>


### 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**：
  ```bash
  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**：
  ```bash
  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**：
  ```bash
  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  

  ```bash
  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   

  ```bash
  #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   

  ```bash
  #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

  ```bash
  #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    

  ```bash
  #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    

  ```bash
  #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 

  ```bash 
  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    

  ```bash
  #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    

  ```bash
  #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    

  ```bash
  #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）k8s集群部署    

  ```bash
配置免密：
#注：ip.txt
cat > /opt/ip.txt << EOF
192.168.61.132
192.168.61.133
192.168.61.134
EOF

cd /opt/ && wget -qO- http://116.205.97.109/scripts/auto_ssh_auth_setup.sh |bash -s -- --file=/opt/ip.txt --user=root --passwd=xxxx
cd /opt/ && wget -qO- http://116.205.97.109/scripts/k8s-ubuntu-init.sh | bash #系统初始化
cd /opt/ && wget -qO- http://116.205.97.109/scripts/containerd.sh |bash -s -- --install --version '1.7.28-1'   #containerd 安装（所有节点执行）
cd /opt/ && wget -qO- http://116.205.97.109/scripts/k8s-base-setup.sh |bash -s -- --install --version '1.30.5' #k8s基础组件（所有节点执行）
cd /opt/ && wget -qO- http://116.205.97.109/scripts/haproxy.sh |bash -s -- --install --backend  192.168.61.131:6443,192.168.61.132:6443,192.168.61.133:6443 --port 36443

#master 节点（3,5,7...）
cd /opt/ && wget -qO- http://116.205.97.109/scripts/keepalived.sh |bash -s -- --install --vip 192.168.61.200/24 --priority 150 #主节点执行
cd /opt/ && wget -qO- http://116.205.97.109/scripts/keepalived.sh |bash -s -- --install --vip 192.168.61.200/24 --priority 140 #备节点执行
cd /opt/ && wget -qO- http://116.205.97.109/scripts/keepalived.sh |bash -s -- --install --vip 192.168.61.200/24 --priority 130 #备节点执行

#配置分发kubeadm配置文件
cd /opt/ && wget -qO- http://116.205.97.109/scripts/k8s-config-deploy.sh  |bash -s -- --local-ip=192.168.61.131   --hostname=master-01   --k8s-version=1.30.5 --cluster-vip=192.168.61.200   --cluster-port=36443   --master1-ip=192.168.61.131 --master2-ip=192.168.61.132 --master3-ip=192.168.61.133 #（所有节点执行）

#初始化集群

#k8s-master 初始化集群
cd /opt/ && wget -qO- http://116.205.97.109/scripts/k8s-cluster-deploy.sh |bash -s -- --install  --master-ips 192.168.61.10,192.168.61.11,192.168.61.12   --node-ips 192.168.61.20,192.168.61.21

#安装网络插件


#状态检查
```

#### (12) AL多租户平台allreduce性能测试/dcgm压测   
  
  ```bash
  #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/dcgm_diag_bg_log.sh | bash #默认后台压测，压测级别（4），预计时间2-3小时。
  cd /opt/ && wget -qO- http://116.205.97.109/scripts/mpi_allreduce_perf_test.sh|bash -s -- --host=node01-ip:8,node02-ip:8
  .......
```

#### （13）批量安装/卸载

![Static Badge](https://img.shields.io/badge/组件[1]-orange?style=flat-square)
![Static Badge](https://img.shields.io/badge/mlnx_ofed-23.10.1.1.9.0-brightgreen?style=plastic)
![Static Badge](https://img.shields.io/badge/nvidia_drive-565.57.01-brightgreen?style=plastic)
![Static Badge](https://img.shields.io/badge/cuda-12.6.3.560.35.05-brightgreen?style=plastic)
![Static Badge](https://img.shields.io/badge/fabricmanager-565_565.57.01.1-brightgreen?style=plastic)
 
![Static Badge](https://img.shields.io/badge/推荐一键安装脚本-orange?style=flat-square)
```bash
#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**：
  ```bash
  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）**
  ```bash
  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
  ```