Linux node-feature-discovery 的 custom rule 与 GPU feature 发现

nfd custom rule 不生效的根本原因是 gpu source 未在 configmap 中启用或规则中 source 名不匹配；需确认 nfd-worker-conf 启用 [“cpu”,”kernel”,”system”,”gpu”]，重启 worker pod，并确保 rule 文件挂载正确、name 唯一、matchon 路径真实存在。

custom rule 不生效，GPU 标签没出现在 node 上

根本原因通常是 customRules 配置没被 NFD 加载，或者规则里用的 source 不支持 GPU 检测。NFD 默认只启用 cpu、kernel、system 等几个 source，gpu source 默认是关闭的，custom rule 里写 source: gpu 却没在 ConfigMap 里打开它，rule 就直接被跳过。

实操建议：

• 确认 nfd-master 的 ConfigMap（通常是 nfd-worker-conf）里启用了 gpu source：

  source: ["cpu", "kernel", "system", "gpu"]

• custom rule 的 source 字段必须和已启用的 source 名完全一致，大小写敏感；gpu 不等于 GPU
• rule 中的 matchOn 条件要匹配真实设备路径，比如 /dev/nvidia0 存在，但 rule 写成 /dev/nvidia1 就不会触发
• 修改 ConfigMap 后，必须重启 nfd-worker Pod（删掉让它重建），仅重启 master 不生效

想用 custom rule 给不同型号 GPU 打不同 label，但所有节点都打了同一个值

这是因为 NFD 的 gpu source 当前（v0.14+）只提供布尔型特征（feature.node.kubernetes.io/pci-xxx.present），不暴露具体型号或 UUID。custom rule 里用 valueFrom.fieldRef 或 valueFrom.envVar 是拿不到 GPU 型号字符串的——底层没有这个字段。

实操建议：

• 别在 custom rule 里试图读取 device.product.name 这类不存在的字段，NFD gpu source 不采集这些
• 真要区分型号，得自己写脚本查 nvidia-smi -L 或 lspci -nn | grep VGA，然后通过 labeler 工具或自定义 DaemonSet 注入 label
• 如果只是做“有/无 GPU”分级，用内置的 feature.node.kubernetes.io/pci-10de.present（NVIDIA）就够了，不需要 custom rule

custom rule 加了但 node 上看不到 label，describe node 也没报错

NFD 不报错不等于 rule 被执行了。常见静默失败点：rule 的 name 重复、matchOn 条件永远为 false、或 rule 文件没挂进 nfd-worker 容器的 /etc/kubernetes/node-feature-discovery/rules.d/ 目录。

实操建议：

• 进 nfd-worker 容器检查：ls /etc/kubernetes/node-feature-discovery/rules.d/，确认你的 YAML 文件确实在里面且后缀是 .yml 或 .yaml
• 看 worker 日志：kubectl logs -n nfd nfd-worker-xxxxx | grep -i "rule|gpu"，搜 loaded 或 skipping 关键字
• rule 的 name 必须全局唯一，重复会导致整个 ruleset 加载失败（但 worker 不 crash，只是静默跳过）
• matchOn 里用 op: Exists 时，路径必须是文件系统上真实存在的路径，比如 /proc/driver/nvidia/gpus/0000:01:00.0/information，不是所有 NVIDIA 驱动版本都提供这个路径

GPU feature 标签更新延迟，新插卡后要等好几分钟才出现

NFD 的 gpu source 默认每 60 秒轮询一次设备，且依赖 udev 事件触发即时更新。但很多场景下 udev 事件没发出来（比如热插拔未触发 kernel Event），或 NFD worker 没监听到，就会卡在旧状态。

实操建议：

• 调短轮询间隔：在 nfd-worker-conf ConfigMap 中加 sleepInterval: "10s"（注意引号，YAML 要求）
• 确保宿主机开启了 udev 监听：udevadm monitor --subsystem-match=pci 能看到 GPU 插拔事件，否则 NFD 无法即时响应
• 避免用 echo 1 > /sys/bus/pci/rescan 强刷——这会触发 kernel 重枚举，但 NFD 不一定立刻感知，反而可能造成短暂不一致

GPU 设备发现本身依赖驱动加载顺序和 udev 规则，custom rule 只是贴标签的最后一步，前面任何一环断了，label 就不会来。别只盯着 rule 文件改。