技術指南

GPU調度和叢集編排

GPU 調度決定哪些作業在哪些加速器上運行以及何時運行,而編排則在整個機器叢集上協調這些作業。

聆聽此指南AI 語音敘述 · ~2 min

本頁閱讀時間約2分鐘
  1. 概述
  2. 深入探討
  3. 現實世界的實施
  4. GPU 调度和集群编排的未来
  5. 付諸實踐
  6. 不斷探索
  7. 常見問題

概述

它們共同讓昂貴的 GPU 對許多使用者和工作負載保持忙碌、公平且可靠。

深入探討

在共享的 AI 叢集中,數十個用戶爭奪稀缺的 GPU,每個 GPU 的成本可能高達數萬美元。調度程序將每個作業的要求(GPU 數量、記憶體、拓撲)與可用硬體相匹配,強制執行優先權和公平共享配額,並在叢集已滿時對工作進行排隊。編排更進一步:它放置容器、裝載資料、處理故障、重新啟動崩潰的工作線程,並將多節點分散式訓練縫合在一起。具有 NVIDIA 裝置外掛程式和附加元件(如 Volcano 或 Kueue)的 Kubernetes 可以處理群組調度,其中分散式作業的所有工作人員必須一起啟動,否則就沒有。良好的調度也尊重 GPU 互連拓撲,將需要快速 NVLink 通訊的隊列放在一起,以避免緩慢的跨節點瓶頸。

現實世界的實施

研究實驗室使用公平份額配額,因此任何一個團隊都無法在其他團隊排隊等待時獨佔所有 GPU。

Kubernetes 與 Volcano gang-scheduled 32-GPU 訓練作業,以便每個工作人員立即啟動,防止部分分配死鎖。

調度程序搶佔低優先級實驗,對其進行檢查點,並釋放 GPU 以進行緊急生產重新訓練運行。

拓樸感知佈局將八個列並置在一個 NVLink 連接的節點上,以加速梯度全歸約。

GPU 调度和集群编排的未来

調度程序在部分和分時 GPU、MIG 感知裝箱和搶佔方面變得越來越智能,檢查點作業以回收更高優先級工作的容量。期望與能源和成本優化、現場容量重用以及自動組調度進行更深入的集成,以實現彈性訓練,從而增加或減少工人數量。隨著叢集擴展到數萬個 GPU,能夠承受頻繁硬體故障的容錯編排變得至關重要。

付諸實踐

為什麼這很重要

  • 成本與預算. 多年來,架構決策決定著效能和營運成本。
  • 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
  • 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。

留意

  • 優化一項基準測試可以隱藏更廣泛的系統弱點。
  • 基礎設施和維護成本常常被低估。
  • 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。

後續步驟

  1. 在實施之前定義延遲、品質和成本目標。
  2. 在實際負載和資料條件下進行基準測試。
  3. 儀器監控錯誤、漂移和使用者影響。
  4. 在擴展之前準備回滾和事件回應路徑。

不斷探索

免費電子報

獲取每日 AI 簡報

每個工作日上午提供三則經過驗證的 AI 新聞,以淺顯易懂的英文撰寫。永久免費,無廣告。

每個工作日一封電子郵件。一鍵取消訂閱。我們絕不出售或分享您的地址。

測試一下自己

參加 GPU Scheduling 與 Cluster Orchestration 測驗

每個答案皆有即時回饋,通過課程後可獲得具備可驗證 ID 的可分享證書。

開始測驗

支持免費的 AI 教育。AI Understanding 是一個 501(c)(3) 非營利組織——絕無廣告,絕無付費牆。 捐款

常見問題

什麼是 GPU 排程與叢集協調?

GPU 調度決定哪些作業在哪些加速器上運行以及何時運行,而編排則在整個機器叢集上協調這些作業。它們共同使昂貴的 GPU 對於許多用戶和工作負載而言保持忙碌、公平且可靠。

為什麼要協調固定大小分散式訓練工作者組的資源准入?

Gang-style admission 有助於取得所需的工作者組。它並不證明所有部分分配都會發生死鎖,也不保證精確的同時啟動。

Kubernetes 通常如何表達裝置插件 GPU 資源請求?

裝置插件宣告可計數的資源。已設定的 MIG 或共享機制會影響哪些資源被暴露。

拓樸感知調度試圖優化什麼?

它將交換資料的佇列放在同一位置,以便它們使用高頻寬鏈路,從而減少通訊延遲。

哪個附加元件通常與 Kubernetes 一起用於 AI 作業的批次和群組調度?

Volcano(和 Kueue)增加了普通 Kubernetes 對於 AI 工作負載所缺乏的批次和群組調度功能。

如果被 preempted 的工作需要恢復先前進度,訓練應用程式必須提供什麼?

Preemption 會回收資源;它本身並不會保存訓練進度。需要檢查點與重啟邏輯才能繼續。