lib/crunchrun/cuda.go

   1 // Copyright (C) The Arvados Authors. All rights reserved.
   2 //
   3 // SPDX-License-Identifier: AGPL-3.0
   4
   5 package crunchrun
   6
   7 import (
   8         "fmt"
   9         "io"
  10         "os/exec"
  11 )
  12
  13 // nvidiaModprobe makes sure all the nvidia kernel modules and devices
  14 // are set up.  If we don't have all the modules/devices set up we get
  15 // "CUDA_ERROR_UNKNOWN".
  16 func nvidiaModprobe(writer io.Writer) {
  17         // The underlying problem is that when normally running
  18         // directly on the host, the CUDA SDK will automatically
  19         // detect and set up the devices on demand.  However, when
  20         // running inside a container, it lacks sufficient permissions
  21         // to do that.  So, it needs to be set up before the container
  22         // can be started.
  23         //
  24         // The Singularity documentation hints about this but isn't
  25         // very helpful with a solution.
  26         // https://sylabs.io/guides/3.7/user-guide/gpu.html#cuda-error-unknown-when-everything-seems-to-be-correctly-configured
  27         //
  28         // If we're running "nvidia-persistenced", it sets up most of
  29         // these things on system boot.
  30         //
  31         // However, it seems that doesn't include /dev/nvidia-uvm
  32         // We're also no guaranteed to be running
  33         // "nvidia-persistenced" or otherwise have the devices set up
  34         // for us.  So the most robust solution is to do it ourselves.
  35         //
  36         // These are idempotent operations so it is harmless in the
  37         // case that everything was actually already set up.
  38
  39         // Running nvida-smi the first time loads the core 'nvidia'
  40         // kernel module creates /dev/nvidiactl the per-GPU
  41         // /dev/nvidia* devices
  42         nvidiaSmi := exec.Command("nvidia-smi", "-L")
  43         nvidiaSmi.Stdout = writer
  44         nvidiaSmi.Stderr = writer
  45         err := nvidiaSmi.Run()
  46         if err != nil {
  47                 writer.Write([]byte(fmt.Sprintf("nvidia-smi error: %v\n", err)))
  48         }
  49
  50         // Load the kernel modules & devices associated with
  51         // /dev/nvidia-modeset, /dev/nvidia-nvlink, /dev/nvidia-uvm
  52         // and /dev/nvidia-uvm-tools (-m, -l and -u).  Annoyingly,
  53         // these don't have multiple devices but you need to supply
  54         // "-c0" anyway or it won't make the device file.
  55
  56         // Nvswitch devices are multi-GPU interconnects for up to 16
  57         // GPUs.  The "-c0 -s" flag will create /dev/nvidia-nvswitch0.
  58         // If someone runs Arvados on a system with multiple
  59         // nvswitches (i.e. more than 16 GPUs) they'll have to ensure
  60         // that all the /dev/nvidia-nvswitch* devices exist before
  61         // crunch-run starts.
  62         for _, opt := range []string{"-m", "-l", "-u", "-s"} {
  63                 nvmodprobe := exec.Command("nvidia-modprobe", "-c0", opt)
  64                 nvmodprobe.Stdout = writer
  65                 nvmodprobe.Stderr = writer
  66                 err = nvmodprobe.Run()
  67                 if err != nil {
  68                         writer.Write([]byte(fmt.Sprintf("nvidia-modprobe error: %v\n", err)))
  69                 }
  70         }
  71 }