Tổng quan
InfiniBand là kết nối tốc độ cao, độ trễ thấp liên kết các máy chủ và GPU trong cụm AI và RDMA cho phép một máy đọc hoặc ghi bộ nhớ của máy khác mà không cần đến CPU. Cùng với nhau, chúng là hệ thống cung cấp dữ liệu cho hàng nghìn GPU trong quá trình đào tạo mô hình lớn.
Mạng InfiniBand và RDMA là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn.
Lặn sâu
Khi bạn huấn luyện một mô hình trên hàng nghìn GPU, mạng thường trở thành nút cổ chai chứ không phải chip. InfiniBand là một kết cấu chuyển mạch được thiết kế nhằm mục đích này: nó cung cấp băng thông trên mỗi liên kết ở mức hàng trăm gigabit/giây (NDR chạy ở tốc độ 400 Gb/s) và độ trễ ở quy mô micro giây. Bí quyết chính của nó là Truy cập bộ nhớ trực tiếp từ xa (RDMA), di chuyển dữ liệu trực tiếp giữa bộ nhớ của hai nút, bỏ qua nhân hệ điều hành và các bản sao CPU làm chậm TCP/IP thông thường. 'Bỏ qua hạt nhân' này giải phóng chu kỳ CPU và giảm độ trễ. InfiniBand cũng cung cấp khả năng kiểm soát luồng phần cứng cho kết cấu không bị mất dữ liệu và các công tắc Lượng tử của NVIDIA cùng với bộ điều hợp ConnectX thống trị các siêu máy tính AI. RoCE (RDMA qua Ethernet hội tụ) mang lại lợi ích RDMA tương tự cho mạng Ethernet.
Hiểu biết kỹ thuật
RDMA hoạt động thông qua các cặp động từ và hàng đợi. Một ứng dụng đăng các yêu cầu công việc để gửi và nhận hàng đợi; bộ điều hợp mạng (HCA) đọc chúng và truyền dữ liệu trực tiếp vào các vùng bộ nhớ được ghim và đăng ký trước trên máy chủ từ xa. Vì NIC xử lý việc truyền trong phần cứng và nhân hệ điều hành bị bỏ qua nên không có bản sao dữ liệu nào và không có sự gián đoạn CPU trên mỗi gói đối với quá trình truyền hàng loạt. Kiểm soát luồng dựa trên tín dụng lớp liên kết của InfiniBand ngăn chặn tình trạng tràn bộ đệm, giúp kết cấu không bị tổn thất mà không gặp phải các cơn bão truyền lại.
Làm chủ mạng InfiniBand và RDMA
InfiniBand là kết nối tốc độ cao, độ trễ thấp liên kết các máy chủ và GPU trong cụm AI và RDMA cho phép một máy đọc hoặc ghi bộ nhớ của máy khác mà không cần đến CPU. Cùng với nhau, chúng là hệ thống cung cấp dữ liệu cho hàng nghìn GPU trong quá trình đào tạo mô hình lớn. Mạng InfiniBand và RDMA là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Mạng InfiniBand và RDMA như một mô hình hoạt động chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Mạng InfiniBand và RDMA sẽ tối ưu hóa các lựa chọn về kiến trúc, dữ liệu và cơ sở hạ tầng theo độ tin cậy và chi phí. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Đồng thời, Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu lớn hơn của hệ thống. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Kết nối hàng nghìn GPU trong siêu máy tính AI để dữ liệu gradient di chuyển giữa các nút tính bằng micro giây trong quá trình đào tạo phân tán
Cho phép một máy chủ đọc trực tiếp bộ nhớ của máy chủ khác (RDMA) để tăng tốc các hệ thống tệp và cơ sở dữ liệu phân tán mà không cần sử dụng CPU
Chạy các hoạt động giảm toàn bộ NCCL trên InfiniBand để đồng bộ hóa trọng lượng mô hình trên cụm GPU
Sử dụng RoCE để truyền tải độ trễ thấp kiểu RDMA tới các mạng trung tâm dữ liệu Ethernet hiện có
Các mẫu triển khai
Mạng InfiniBand và RDMA trong thực tế
Kết nối hàng nghìn GPU trong siêu máy tính AI để dữ liệu gradient di chuyển giữa các nút tính bằng micro giây trong quá trình đào tạo phân tán.
Kết nối hàng nghìn GPU trong siêu máy tính AI để dữ liệu gradient di chuyển giữa các nút tính bằng micro giây trong quá trình đào tạo phân tán. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mạng InfiniBand và RDMA trong thực tế
Cho phép một máy chủ đọc trực tiếp bộ nhớ của máy chủ khác (RDMA) để tăng tốc các hệ thống tệp và cơ sở dữ liệu phân tán mà không cần sử dụng CPU.
Cho phép một máy chủ đọc trực tiếp bộ nhớ của máy chủ khác (RDMA) để tăng tốc các hệ thống tệp và cơ sở dữ liệu phân tán mà không cần sử dụng CPU. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mạng InfiniBand và RDMA trong thực tế
Chạy các hoạt động giảm toàn bộ NCCL trên InfiniBand để đồng bộ hóa trọng số mô hình trên một cụm GPU.
Chạy các hoạt động giảm toàn bộ NCCL trên InfiniBand để đồng bộ hóa trọng số mô hình trên một cụm GPU Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mạng InfiniBand và RDMA trong thực tế
Sử dụng RoCE để truyền tải độ trễ thấp kiểu RDMA tới các mạng trung tâm dữ liệu Ethernet hiện có.
Sử dụng RoCE để truyền dữ liệu có độ trễ thấp kiểu RDMA tới các mạng trung tâm dữ liệu Ethernet hiện có. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.