英伟达开源NVKE预览版 每租户独享K8s控制面

时间：2026年11月5日（英伟达官方技术博客同日发布 DSX OS 集群运维栈详解） 地点：英伟达官方文档站 docs.nvidia.com/nvke 与 GitHub 开源组织 dsx-ai-factory 人物：英伟达 DSX OS 团队，官方技术博客由 Sowmyan Soman 与 Kai Wombacher 署名，中文解读来自 ic.work 作者 Evan Neural 事件详情：英伟达把 NVIDIA Kubernetes Engine（NVKE）以 Apache 2.0 协议开源，代码托管在 GitHub 的 dsx-ai-factory/nvke 仓库，官方文档挂在 docs.nvidia.com/nvke。按官方文档的定义，NVKE 是 AI 工厂安装到自有 GPU 基础设施上的开源软件，用来对外提供托管 Kubernetes 服务：调用 NVKE API 就能按客户创建集群，NVKE 负责供应节点、组建集群并持续运维，包括扩缩节点池、升级 Kubernetes、替换节点和续期证书。仓库最新 release 为 v0.23.1，GitHub 显示的发布时间是 11 月 3 日 23:54 UTC。每个工作负载集群都拥有独立的控制面、独立的 etcd 和独立的节点池。它不是 Kubernetes 发行版，也不是 Cluster API 的一个变种，而是一个自托管的集群工厂：先由一次性的种子集群拉起管理集群，管理平面再按需批量孵化互相隔离的工作负载集群。节点在加入集群之前要用 TPM 走 SPIFFE/SPIRE 完成身份证明，etcd 静态加密可按集群单独开启。配套项目 NVIDIA Kubernetes Recipes（NVKR）同样采用 Apache 2.0 许可，NVKR 负责从锁定输入构建并签名节点 OS 镜像与组件制品，NVKE 只负责部署与集群管理。 背景：英伟达正在用一套名为 DSX OS 的软件栈，重新定义 AI 工厂从物理裸机到上层容器的整条链路。官方文档把它拆成五层：底层的 NICo（NVIDIA Infra Controller）负责裸金属机器发现、固件刷写、网络配置与主机供应；NVKR 是供应链层，构建并签名节点 OS 镜像与组件制品；NVKE 是 Kubernetes 层，在 NICo 供应的机器上创建并运营集群；AICR（AI Cluster Runtime）提供版本锁定的加速运行时组合，安装进每个 NVKE 集群；NVSentinel 负责检测节点 GPU 故障并向 NVKE 下发重启或换机请求。英伟达此前已有面向企业自建单个大集群的 Base Command Manager（BCM），以及用于共享算力池内部配额与 GPU 切分的 Run:ai，NVKE 补的是按租户对外交付独立 K8s 集群这一层，不同客户不必再共用同一个 Kubernetes API 和控制面。版本依赖方面，预览版锁定 Kubernetes 1.36.3、ovn-kubernetes 2.4.2、Cluster API 与 kubeadm v1.13.6、CAPNICo v0.1.0，节点操作系统为 Ubuntu 26.04 LTS 或 24.04 LTS，SPIRE 代理固定在 1.14.1，配套工具要求 Helm 4.2.4、kind v0.32.0 与 Go 1.27.3。 影响：官方在预览版说明里逐条列出了不能上生产的原因：安装后 NVKE API 默认监听每个管理节点的 30080 端口，走明文 HTTP 且默认关闭认证；即便手动开启认证，API 内部也完全没有授权机制，任何通过认证的调用者都能调用包括创建和删除工作负载集群在内的全部端点。管理集群不能自我升级、扩缩容或替换节点，官方没有提供管理平面的升级流程，也没有备份恢复方案。交付给客户的只有一份管理员 kubeconfig，由于不轮换工作负载集群的证书机构，这份凭证在客户端证书自然过期前无法吊销。全盘加密节点镜像不提供静态数据机密性，默认的遥测后端 NKTP 也只适合评估。对智算中心来说，现阶段稳妥的路线仍是让 BCM 或 OpenShift 承担生产负载，把 NVKE 放在一台 6 核、12 GiB 内存的 Linux 机器上，用模拟基础设施先把评估流程跑通。中文分析 ic.work 也记录了工程层面的红灯，截至 11 月 6 日仓库挂着 76 个未关闭 issue，其中编号 #2104 的 P0 级问题（主干端到端测试挂红）与 #2062 的 P1 级问题（v0.23.0 发布认证失败）都还没关闭。 总结：NVKE 的价值在于把按租户交付独立控制面的 Kubernetes 集群这件事，从各家自研工具收进英伟达官方栈里：裸金属 GPU 机器由 NICo 供应，集群由 NVKE 创建和运维，节点身份由 TPM 与 SPIFFE/SPIRE 背书，供应链制品由 NVKR 签名发布。它与云厂商托管 GPU Kubernetes 的差别在于跑在客户自己的机房里，与 Run:ai 池内切分的差别则在于控制面级的隔离。但官方把它定位为预览版，并明确不建议用于生产负载：API 默认明文无认证、内部没有授权、管理平面没有升级和备份方案、客户凭证无法吊销。对想跟进这条线的团队，眼下合适的动作是先在本地模拟环境评估接口与运维模型，而不是替换现有的 BCM 或 OpenShift 生产方案。 常见问题： 问：NVKE 是什么，能上生产吗？ 答：英伟达开源的托管 Kubernetes 管理平面，让 AI 工厂在自有 GPU 裸金属上按租户交付独立控制面的集群；官方标注为预览版，不建议用于生产负载。 问：NVKE 和 BCM、Run:ai 有什么区别？ 答：BCM 面向企业自建大集群，Run:ai 管共享算力池内部的配额与 GPU 切分，NVKE 管对外按租户交付互相隔离的 K8s 集群。 参考来源： 英伟达官方文档：What is NVKE https://docs.nvidia.com/nvke/documentation/overview/what-is-nvke 英伟达官方文档：预览版状态与已知限制 https://docs.nvidia.com/nvke/documentation/overview/preview-status-and-known-limitations 英伟达官方文档：支持的平台与版本 https://docs.nvidia.com/nvke/documentation/overview/supported-platforms-and-versions 英伟达官方 GitHub 仓库 dsx-ai-factory/nvke https://github.com/dsx-ai-factory/nvke GitHub Releases：NVKE 版本发布记录 https://github.com/dsx-ai-factory/nvke/releases 英伟达官方技术博客：用 NVIDIA DSX OS 配置、认证与运维 Kubernetes GPU 集群 https://developer.nvidia.com/blog/configure-certify-and-operate-kubernetes-gpu-clusters-with-nvidia-dsx-os/ ic.work 中文解读：NVIDIA 开源 NVKE v0.23.1 https://www.ic.work/article/nvidia-open-sources-nvke-v0-23-1-bare-metal-gpu-kubernetes-d LavX News 英文报道：NVIDIA Kubernetes Engine Enters Preview https://news.lavx.hu/article/nvidia-kubernetes-engine-enters-preview-a-management-plane-for-gpu-kubernetes-clusters