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