NVIDIA、GPUクラスターのホストOSを安全に管理・更新するOSS「NodeWright」を発表

要点

• NVIDIAは、Kubernetes環境におけるノードのホストOSを宣言的に管理・更新できるオープンソースツール「NodeWright」を発表した。

• 社内で「Skyhook」として本番運用されていた技術を改名・オープンソース化したもので、GPU上の学習処理を中断させずに保守作業を行える。

• ノードの隔離や退避、段階的なパッケージ適用を自動制御し、PodDisruptionBudgetなどのKubernetes標準機能にも対応する。

• 同社の「DSX OS」プラットフォームの一部として位置づけられ、カーネル設定や脆弱性修正、セキュリティエージェント導入などをフリート全体に適用できる。

• 米NVIDIAは2026年9月23日、Kubernetesクラスターを構成するノードのホストOS（基本ソフト）を宣言的に構成・更新するオープンソースソフトウェア「NodeWright」を発表した。これまで同社社内で「Skyhook」の名称で本番運用されていた仕組みを、正式なプロジェクト名とともにオープンソースとして一般公開した形だ。

GPUクラスターにおけるホスト運用の課題とNodeWrightの役割

Kubernetesはコンテナワークロードの管理に広く利用されているが、ノード自体のカーネル設定、システムパッケージ、ストレージ構成、セキュリティエージェントといったホスト側の管理には依然として課題が残されていた。従来はAnsibleのプレイブックや個別スクリプト、手動の手順書を用いて運用されることが多く、リージョン追加時の設定差異やカーネル更新に伴うRDMA（リモート直接メモリアクセス）の不具合、全ノードに対する脆弱性（CVE）修正の適用などで運用負荷が増大していたという。

特にGPUインフラでは、ハードウェアの希少性や交換にかかる時間、長時間の学習ジョブが存在することから、ノードを容易に破棄・再作成することができない。従来の構成管理ツールはKubernetesの稼働状態を認識しないため、実行中の学習ジョブを意図せず停止させてしまうリスクがあった。NodeWrightはこうした課題に対し、クラスター全体を対象にしたKubernetesネイティブなパッケージマネージャーとして、ホストインフラの変更と維持を安全に行う仕組みを提供する。

ワークロードを停止させない安全な更新シーケンス

NodeWrightは、Kubernetesの標準的な仕組みと協調しながらホスト側の更新を自動実行する。更新プロセスでは、対象ノードへの新規割り当てを停止する「cordon（コードン）」、重要なポッドの完了待機、既存ワークロードの安全な退避（drain）、パッケージの適用、必要に応じた中断処理、そしてノードの復帰（uncordon）という一連のシーケンスをオーケストレーターが制御する。

この一連の処理において、NodeWrightはポッドの同時停止許容数を定義する「PodDisruptionBudget」や、中断不可を示すワークロードラベルの設定を遵守する。これにより、長時間稼働する学習ジョブを保護しながら、ホストレベルのメンテナンスを進めることが可能になるとしている。

また、フリート全体への段階的な展開を制御するために「DeploymentPolicy」リソースが用意されている。固定件数（fixed）、線形（linear）、指数関数的（exponential）といったバッチ戦略を選択でき、成功および失敗のしきい値を設定することで、予期せぬ不具合が発生した際の影響範囲を限定できる設計となっている。

DSX OSプラットフォームと関連エコシステムとの統合

NodeWrightで提供されるパッケージは、カーネルパラメータのチューニングや脆弱性の修正、セキュリティ監視エージェントの導入、クラッシュダンプの設定など多岐にわたる。各パッケージには検証チェック機能が組み込まれており、エラーが発生した場合はKubernetesを通じて状態が通知される。

本ツールは、施設全体を単一のシステムとして運用するAIファクトリー向け基盤「NVIDIA DSX」のオープンソースソフトウェア層である「DSX OS」の一部として提供される。DSX OSの基盤領域（AI-Ready Foundation）では、NVIDIA GPU OperatorやNVIDIA Network Operator、Topograph、DRA Driver for NVIDIA GPUs、NVCRE（NVIDIA Cluster Readiness Engine）、NVSentinelといったコンポーネントが提供されており、NodeWrightもその一翼を担う。

さらに、バージョン固定された環境構成レシピを適用する「NVIDIA AI Cluster Runtime（AICR）」と統合してホスト側の設定を反映するほか、ワークロード投入前の事前検証を行うNVCREや、実行時の障害監視を行うNVSentinelと連携して動作する。

宣言的管理と導入方法

NodeWrightのパッケージ定義は、Kubernetesの拡張機能であるCustom Resource（カスタムリソース）として扱われる。そのため、利用者は通常のコンテナアプリケーションと同様の宣言的なワークフローでインフラ設定を管理・デプロイできる。

NodeWrightのリポジトリはすでに公開されており、Kubernetesのパッケージ管理ツールであるHelmを通じてクラスターへ導入できる。公式ドキュメントやコミュニティ向けのパッケージリポジトリも提供されており、NVIDIA公式パッケージやコミュニティ製パッケージを活用したホスト管理が可能となっている。