# Orchestration GPU Kubernetes : Dynamic Resource Allocation (DRA) et Topologie NVLink sous OpenShift

> Comment le standard Kubernetes DRA et le NVIDIA GPU Operator éliminent les redémarrages de nœuds pour le découpage MIG et optimisent l'affinité NVLink.

- **Date de publication** : 2026-09-15T08:30:00.000Z

---

Dans les architectures d'IA d'entreprise, la gestion des accélérateurs matériels s'est longtemps heurtée à un modèle rigide : l'approche historique par `DevicePlugin` Kubernetes allouait les GPU comme des blocs discrets et statiques (`nvidia.com/gpu: 1`), imposant des reconfigurations manuelles ou des interruptions de nœuds pour modifier le partitionnement MIG (Multi-Instance GPU).

L'intégration du standard **Dynamic Resource Allocation (DRA)** avec le **NVIDIA GPU Operator** sous **Red Hat OpenShift** transforme radicalement l'orchestration des accélérateurs pour l'entraînement distribué et le serving LLM.

---

### 1. Les limites de l'allocation GPU traditionnelle
Dans un cluster Kubernetes standard sans DRA :
* **Gaspillage VRAM & Sur-allocation :** Assigner un GPU H100 ou L40S complet à un microservice d'embedding ou à un petit modèle de classification monopolise 80 Go de VRAM pour quelques gigaoctets utiles.
* **Rigidité du partitionnement MIG :** Modifier les profils de découpage matériel (ex. basculer de 7x 1g.10gb à 1x 7g.80gb) exigeait de drainer et redémarrer le nœud worker bare-metal.
* **Ignorance de la topologie NVLink :** Le scheduler Kubernetes classique ne garantit pas que les pods multi-GPU (vLLM Tensor Parallelism, Ray Train) soient placés sur des sockets reliés physiquement par des bus NVLink haute vitesse.

---

### 2. Les apports clés du standard DRA et du CDI
Grâce aux objets déclaratifs Kubernetes DRA (`ResourceClaim`, `ResourceClaimTemplate`, `ResourceSlice`) et à l'interface **CDI (Container Device Interface)** :
* **Revendications de ressources fines :** Les pods expriment des critères précis (quantité exacte de VRAM requise, capacités de calcul spécifiques, interconnexions requises).
* **Partitionnement dynamique à chaud :** Allocation granulaire et à la volée des fractions GPU et des profils MIG sans redémarrage de nœuds.
* **Placement conscient de la topologie NVLink :** Le scheduler planifie les charges d'inférence distribuée multi-GPU sur des accélérateurs adjacents à haut débit, réduisant drastiquement les goulots d'étranglement inter-cartes.

---

### 3. Alignement & Compétences dans les Cursus Aperta Scientia
* **Cursus AS300 (AI Platform Engineer — 399h) :** Maîtrise avancée du NVIDIA GPU Operator, configuration des profils DRA/MIG, optimisation du Tensor Parallelism sous vLLM et préparation à la certification officielle **Red Hat Certified Specialist in AI/ML (EX267)**.
* **Cursus AS200 (DevOps Platform Engineer) :** Orchestration de nœuds workers bare-metal accélérés et monitoring matériel via Prometheus et DCGM exporter.

---

### 4. Sources & Références Techniques
* **Kubernetes Dynamic Resource Allocation (DRA) :** [Documentation Officielle Kubernetes](https://kubernetes.io/docs/concepts/scheduling-eviction/dynamic-resource-allocation/)
* **NVIDIA GPU Operator Documentation :** [NVIDIA Cloud-Native Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/)
* **Red Hat OpenShift AI Hardware Acceleration :** [Red Hat OpenShift AI Documentation](https://docs.redhat.com/en/documentation/red_hat_openshift_ai/)

---

*Source : https://aperta.io/fr/radar/2026-09-15-kubernetes-dra-nvidia-gpu-operator-nvlink-topology/ — Aperta Scientia Tech Radar*