Nvidia GPU池化-长途GPU
目次1 背景
2 长途GPU
2.1 Fungible
2.2 rCUDA
2.3 Bitfusion
2.4 OrionX
3 其他
3.1 技术难点
3.2 GPU热迁徙
1 背景
Nvidia GPU得益于在深度学习范畴强大的盘算能力，使其在数据中心常年处于绝对的统治职位。只管借助GPU虚拟化实现多任务混布，提高了GPU的利用率，缓解了长尾效应，但是GPU利用率的绝对值还是不高，长尾征象依然存在。
网卡池化、存储池化、内存池化、CPU池化等一系列相近根本设施范畴的技术演进，让大家对GPU池化也产生了一些想法。面对依赖PCIe和NVLink实现小范围连接的GPU呆板，人们迫切盼望能跨TOR、跨机房以致跨地区调用GPU，从而低落集群团体的GPU碎片率，GPU池化应运而生，而其中关键的技术难点在于实现长途GPU。
此外，GPU池化不仅可以结合GPU虚拟化实现GPU资源的极致共享，也可以突破CPU与GPU的配比极限，理论上可以实现恣意配比。
2 长途GPU
在深度学习范畴，Nvidia GPU的软件调用栈大致如下图所示，从上至下分别为：
[*] User APP：业务层，如练习或推理任务等
[*] Framework：框架层，如tensorflow、pytorch、paddle、megengine等
[*] CUDA Runtime：CUDA Runtime及周边生态库，如cudart、cublas、cudnn、cufft、cusparse等
[*] CUDA User Driver：用户态CUDA Driver，如cuda、nvml等
[*] CUDA Kernel Driver：内核态CUDA Driver，参考官方开源代码，如nvidia.ko等
[*] Nvidia GPU HW：GPU硬件
https://i-blog.csdnimg.cn/blog_migrate/629ba022cc088428108f45b050bb9bfe.png
现在长途GPU主要通过DPU大概在CUDA Runtime/Driver层拦截API实现。
2.1 Fungible
Fungible通过DPU和PCI vSwitch经网络连接GPU，替代传统的PCIe直连方式，GPU连接数目也超过传统的8:1，到达了55:1。
https://i-blog.csdnimg.cn/blog_migrate/79780c42a34048867fcc10fe5ff38109.png
经过测试，连接2个GPU的DPU方案对性能的影响较小。在某些情况下，DPU解决方案的延长更高，带宽也比PCIe低。假如将10个GPU连接到一个DPU上，那么物理带宽就会减少。
https://i-blog.csdnimg.cn/blog_migrate/2b1c12ea73a8d22e486ba8a6a44079dc.png
23年1月份，Fungible被微软收购，加入微软的数据中心根本设施工程团队，专注于提供多种DPU解决方案、网络创新和硬件体系改进。
2.2 rCUDA
西班牙Universitat Politecnica de Valencia并行架构组的一个开发项目，提供了一套长途GPU虚拟化解决方案，支持以透明的方式并发长途使用支持CUDA的设备。不仅可以部署在集群中，允许单个非MPI应用步伐使用集群中的全部GPU，从而提高GPU利用率并低落总体成本，而且还可以在虚拟机中运行应用步伐访问安装在长途物理机中的GPU。其最新的研究成果和计划都会放在官网，有兴趣的可以访问官网详细了解。
2.3 Bitfusion
Bitfusion提供的GPU资源池的工作原理是在CUDA Driver层面上截获了全部的CUDA服务访问，然后把这些服务请求和数据通过网络传递给Bitfusion Server，在服务器这一端再把这些服务请求交给真正的CUDA Driver来处理。
https://i-blog.csdnimg.cn/blog_migrate/5d6acfe6241b99fbfdf79ce78af221b9.png
19年7月份，戴尔旗下的云盘算公司VMware收购Bitfusion，之后这套方案被集成到vSphere平台中，主要分为两部分：
[*] Bitfusion Server：把GPU安装在vSphere服务器上（要求vSphere 7以上版本），然后在上面运行Bitfusion Server，Bitfusion Server可以把物理GPU资源虚拟化，共享给多个用户使用。
[*] Bitfusion Client：Bitfusion Client是运行在其他vSphere服务器上的Linux虚机（要求 vSphere 6.7 以上版本），呆板学习工作负载运行在这些虚拟机上，Bitfusion会把它们对于GPU的服务请求通过网络传输给Bitfusion Server，盘算完成后再返回结果。对于呆板学习工作负载来说，长途GPU是完全透明的，它就像是在使用本地的GPU硬件。
https://i-blog.csdnimg.cn/blog_migrate/3a379248af6339dec2ba9f1277fc364f.png
2.4 OrionX
19年4月份，国内AI加速器虚拟化及资源池化服务商趋动科技成立，初创团队来自于Dell EMC中国研究院，主要为用户提供AI加速器虚拟化和资源池化软件及解决方案。其研发的Orion vGPU软件是一个为云大概数据中心的GPU提供资源池化和虚拟化能力的体系软件。通过高效的通讯机制，使得CUDA应用可以运行在云大概数据中心内任何一个物理机，容器大概虚拟机内无需挂载物理GPU，同时为这些应用步伐提供在GPU资源池中的硬件算力。
OrionX主要通过拦截CUDA Runtime/Driver及其周边生态库的API实现，核心分为以下几个部分：
[*] Orion Controller：负责整个GPU资源池的资源管理。其响应Orion Client的vGPU请求，并从GPU资源池中为Orion Client端的CUDA应用步伐分配并返回Orion vGPU资源。
[*] Orion Server：负责GPU资源化的后端服务步伐，部署在每一个CPU以及GPU节点上，接管本机内的全部物理GPU。当Orion Client端应用步伐运行时，通过Orion Controller的资源调度，创建和Orion Server的连接。Orion Server为其应用步伐的全部CUDA调用提供一个隔离的运行环境以及真实GPU硬件算力。
[*] Orion Client：模仿了NVidia CUDA的运行库环境，为CUDA步伐提供了API接口兼容的全新实现。通过和Orion其他功能组件的配合，为CUDA应用步伐虚拟化了一定数目的虚拟GPU（Orion vGPU）。使用CUDA动态链接库的CUDA应用步伐可以通过操纵体系环境设置，使得一个CUDA应用步伐在运行时由操纵体系负责链接到Orion Client提供的动态链接库上。由于Orion Client模仿了NVidia CUDA运行环境，因此CUDA应用步伐可以透明无修改地直接运行在Orion vGPU之上。
https://i-blog.csdnimg.cn/blog_migrate/bff8e0bcacc4fcf8a2385d1f80e5d187.png
3 其他
3.1 技术难点
由于Nvidia的闭源性，长途GPU存在不少的技术难点，比如Kernel Launch机制、Context机制、隐蔽API等，同时工程上也存在一些难点，比如数以千计API拦截的开发和维护等，可参考cuda hook开源代码。
3.2 GPU热迁徙
GPU池化配合虚拟化可以更好地实现云服务的弹性伸缩，但在集群资源紧张大概碎片率较高时，弹性伸缩的成功率偏低，此时亟需GPU任务的热迁徙技术，配合集群的统筹调度，提高云服务弹性伸缩的成功率。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]