人工智能集群的性能，尤其是機(jī)器學(xué)習(xí)訓(xùn)練集群，受到神經(jīng)網(wǎng)絡(luò)處理單元NPUs（即GPU或TPU）之間并行計(jì)算能力的顯著影響。在我們稱為縱向擴(kuò)展scale-up和橫向擴(kuò)展scale-out設(shè)計(jì)中，NPUs之間網(wǎng)絡(luò)的特性成為定義整個(gè)系統(tǒng)性能的關(guān)鍵因素之一。通過定義不同的并行策略，NPUs需要定期相互交換數(shù)據(jù)，對模型的各個(gè)層輸出，或者梯度進(jìn)行數(shù)據(jù)通信，從而更快速地完成前向和反向的訓(xùn)練過程。

根據(jù)并行方案和機(jī)器學(xué)習(xí)框架的具體細(xì)節(jié)，數(shù)據(jù)通信的要求可能會有所不同。通常，NPUs之間的數(shù)據(jù)傳輸被稱為集合通信。集合通信原理已將其形式化為幾種類型，具體取決于數(shù)據(jù)的初始和最終位置，以及是否需要在過程中執(zhí)行數(shù)學(xué)運(yùn)算。常用的類型包括廣播和收集、ReduceScatter和AllGather、AllReduce和AlltoAll。操作名稱中存在“Reduce”關(guān)鍵字表示該操作對數(shù)據(jù)進(jìn)行計(jì)算。

集合通信算子

集合通信可以通過多種算法來實(shí)現(xiàn)。其中一些算法較為簡單，因此性能較低；有些算法利用操作的性質(zhì)，通常是網(wǎng)絡(luò)拓?fù)?，完成得更快。AllReduce的知名算法包括單向環(huán)和雙向環(huán)、雙二進(jìn)制樹以及Halving-Double算法，每種算法根據(jù)NPUs的數(shù)量以及它們?nèi)绾位ミB，表現(xiàn)出不同的性能。

圖1、8個(gè)計(jì)算節(jié)點(diǎn)的AllReduce單向環(huán)

圖2、8個(gè)計(jì)算節(jié)點(diǎn)的AllReduce Halving-Double

Rank 與通信集群大小

在集合通信中，每個(gè)參與交換數(shù)據(jù)消息的單元稱為一個(gè)Rank。在大多數(shù)實(shí)際應(yīng)用中，每個(gè)參與操作的NPU通常對應(yīng)一個(gè)Rank。集合中所有Rank總數(shù)稱為通信集群大小，用n表示，Rank是使用從0開始的整數(shù)ID進(jìn)行順序編號的，因此，最大的Rank ID是n - 1。在像廣播（Broadcast）和收集（Gather）這樣的集合通信操作中，有一個(gè)專門的發(fā)送者或接收者，稱為根，默認(rèn)情況下使用Rank ID 0作為根。

集合通信庫

用于在人工智能集群中實(shí)現(xiàn)集合操作的軟件通常稱作“集合通信庫”（Collective Communication Library）。其中一個(gè)最早的庫 NCCL由NVIDIA開發(fā)。NCCL有多個(gè)衍生版本，其中一些是公開的，而其他一些則是私有的。

通信完成時(shí)間

集群完成集合通信操作的速度越快，訓(xùn)練任務(wù)就能越快地在昂貴的NPUs上進(jìn)行下一輪計(jì)算。因此，我們致力于改進(jìn)的是操作完成時(shí)間，即集合完成時(shí)間（Collective Completion Time，CCT），我們通常以秒為單位進(jìn)行測量。

通信數(shù)據(jù)大小

集合通信操作的目標(biāo)是移動數(shù)據(jù)，因此數(shù)據(jù)的大小顯著影響操作所需的時(shí)間。在集合通信基準(zhǔn)測試方法中，我們將一個(gè)Rank的通信數(shù)據(jù)大小定義為S，并以字節(jié)（B）為單位進(jìn)行設(shè)置。

根據(jù)具體的操作和實(shí)現(xiàn)方式，集合通信算法會將數(shù)據(jù)大小S劃分為多個(gè)算法數(shù)據(jù)塊，每個(gè)塊的大小為c，并且每個(gè)塊在集合的Rank之間移動時(shí)都會遵循特定的路徑。塊的概念對于表達(dá)和理解集合操作算法的邏輯非常有用。

數(shù)據(jù)大小S參數(shù)具有幾個(gè)值得注意的特性：

在大多數(shù)集合通信操作中，所有Rank的數(shù)據(jù)大小S都是一致的。但也有一些例外，例如在廣播操作中，只有一個(gè)Rank提供輸入數(shù)據(jù)。在AlltoAll-v操作中，每個(gè)NPU的數(shù)據(jù)大小S可能不同。

每個(gè)Rank通過網(wǎng)絡(luò)發(fā)送的有效負(fù)載量D通常與S不同。這取決于具體的集合操作和所采用的算法。例如，在AlltoAll并行操作中，每個(gè)秩會保留一個(gè)大小為c = S/n的塊給自己，并通過網(wǎng)絡(luò)發(fā)送D = c * (n – 1)的數(shù)據(jù)。而在AllReduce環(huán)形操作中，每個(gè)秩將發(fā)送的數(shù)據(jù)量是D = 2 * c *(n – 1)，因?yàn)檫@個(gè)操作是由ReduceScatter和AllGather兩個(gè)步驟組成的復(fù)合操作。

在真實(shí)的AI/ML訓(xùn)練作業(yè)中，集合通信操作使用的數(shù)據(jù)大小受同一作業(yè)內(nèi)部和不同作業(yè)之間的多種因素影響。由于AI集群基礎(chǔ)設(shè)施在其生命周期內(nèi)需要支持不斷變化的作業(yè)，因此我們需要了解集合通信操作的性能如何隨數(shù)據(jù)大小變化。這就是為什么集合通信基準(zhǔn)測試方法會遍歷不同的數(shù)據(jù)大小，以測量每個(gè)S值的關(guān)鍵指標(biāo)的主要原因。

在AI集群中，大多數(shù)操作移動的是位于與NPUs直接連接的內(nèi)存中的數(shù)據(jù)，而不是CPU內(nèi)存中的數(shù)據(jù)。因此，我們可以通過檢查現(xiàn)代NPUs的內(nèi)存量來確定S的上限，這樣做的實(shí)際意義在于基準(zhǔn)測試。以NVIDIA H100 SXM為例，它擁有80GB的內(nèi)存。由于這部分內(nèi)存需要在AI模型的權(quán)重、訓(xùn)練數(shù)據(jù)和梯度之間共享，因此在這種情況下，32GB可能是一個(gè)實(shí)際的數(shù)據(jù)大小限制。

算法帶寬

集合通信操作領(lǐng)域的研究人員不斷發(fā)現(xiàn)新的算法，這些算法顯著提高了集合通信完成時(shí)間（CCT），這通常歸功于對底層網(wǎng)絡(luò)拓?fù)涞睦斫狻赐負(fù)涓兄?。由于CCT直接依賴于數(shù)據(jù)大小S，而S是特定于任務(wù)的，因此引入一個(gè)新的指標(biāo)來衡量算法性能是很有幫助的，這個(gè)指標(biāo)可以在不同的任務(wù)之間進(jìn)行比較。類似于我們通過速度而不是旅行時(shí)間來比較汽車的性能，這個(gè)指標(biāo)就是算法帶寬（algbw）。它定義為數(shù)據(jù)大小S除以CCT，并以千兆字節(jié)每秒（GB/s）為單位進(jìn)行測量。

請注意，盡管飛機(jī)的平均速度高于汽車，但由于等待時(shí)間，我們并不使用它們進(jìn)行短距離旅行。類似地，當(dāng)數(shù)據(jù)大小太小，無法完全加載網(wǎng)絡(luò)時(shí)，CCT的一大部分時(shí)間將花費(fèi)在啟動和停止數(shù)據(jù)傳輸上。在這種情況下，algbw將不是一個(gè)有意義的指標(biāo)，因?yàn)樗鼤诓煌臄?shù)據(jù)大小之間顯著變化。在比較哪個(gè)算法性能更好時(shí)，您可能需要回到使用CCT。

為了說明這一點(diǎn)，圖3是一個(gè)基準(zhǔn)測試輸出，其中在較小的數(shù)據(jù)大小上，CCT保持在7毫秒左右，但algbw每次數(shù)據(jù)大小翻倍時(shí)都會翻倍。另一方面，在較大的數(shù)據(jù)大小上，algbw趨于穩(wěn)定在25GB/s，而CCT則隨著數(shù)據(jù)大小的增加而繼續(xù)增加。

圖3、不同集合通信大小下的算法帶寬表現(xiàn)

注意：由于算法在執(zhí)行時(shí)實(shí)際傳輸?shù)挠行ж?fù)載D與數(shù)據(jù)大小S之間的區(qū)別，將算法帶寬（algbw）與網(wǎng)絡(luò)接口的理論速度進(jìn)行比較是不恰當(dāng)?shù)摹?/p>

總線帶寬

雖然CCT和algbw依賴于數(shù)據(jù)大小S，但通信集群大小n的影響就不那么明顯了。根據(jù)算法的不同，這種依賴性可能更直接或更間接。例如，對于AlltoAll并行操作，在保持相同數(shù)據(jù)大小的情況下增加集合中的Rank數(shù)，會導(dǎo)致算法數(shù)據(jù)塊c = S / n變小。因此，更大的帶寬比例會浪費(fèi)在數(shù)據(jù)包頭上，CCT大約會增加相同的比例。相比之下，對于AllReduce環(huán)形操作，通信集群中的Rank數(shù)越多，每個(gè)數(shù)據(jù)塊為了完成環(huán)形需要穿越的跳數(shù)就越多，導(dǎo)致CCT線性增加。我們需要一個(gè)指標(biāo)來描述通信集群的性能，這個(gè)指標(biāo)與訓(xùn)練作業(yè)的大小無關(guān)。

為了這個(gè)目的，我們可以想象由集合通信算法定義的數(shù)據(jù)塊移動類似于汽車在城市中的移動，其中停車場、車道、道路和交叉口分別代表內(nèi)存、NIC、電線和開關(guān)，而汽車就是數(shù)據(jù)塊。當(dāng)與城市街道相比較時(shí)，這里唯一真正的延伸是所有數(shù)據(jù)塊都沿著完全相同的模式移動，并且不會分心。有了這個(gè)類比，我們可以很有把握地猜測，汽車到達(dá)最終目的地所需的時(shí)間將很大程度上受到其路徑上最慢路段的影響——瓶頸路段。當(dāng)瓶頸路段達(dá)到其容量時(shí)，需要通過的汽車數(shù)量翻倍，它們通過所需的時(shí)間也將翻倍。換句話說，瓶頸的峰值吞吐量不依賴于城市中停車場的數(shù)量（通信集群大小n）或汽車的數(shù)量（通信數(shù)據(jù)大小S）。

這個(gè)類比的另一個(gè)用處是，盡管瓶頸的峰值吞吐量不依賴于相鄰街道和汽車移動的模式（拓?fù)浜退惴ǎ衅囃瓿陕眯兴璧臅r(shí)間將非常取決于它們所采取的路線，以及它們在城市中的數(shù)量。

總結(jié)來說，只要汽車（數(shù)據(jù)塊）以峰值數(shù)量穿越瓶頸，達(dá)到其容量（帶寬），它將決定我們城市基礎(chǔ)設(shè)施（AI集群）的性能——有效負(fù)載的移動速率無法超越系統(tǒng)中瓶頸的峰值容量。描述AI基礎(chǔ)設(shè)施對集合通信操作瓶頸的指標(biāo)稱為總線帶寬（busbw），并以千兆字節(jié)每秒（GB/s）為單位測量。

對比理想CCT

一些集合通信基準(zhǔn)測試工具無法深入了解底層的L1-4 OSI堆棧，因此無法在測試過程中提供網(wǎng)絡(luò)利用率的信息，也無法判斷是否還有優(yōu)化空間。在創(chuàng)建AI Data Center Builder軟件時(shí)，Keysight團(tuán)隊(duì)考慮到了這一點(diǎn)，并融入了對底層的洞察。KAI Collective Benchmarks應(yīng)用程序會計(jì)算每個(gè)集合通信算法的理想CCT，并將其與實(shí)際測量得到的CCT值進(jìn)行比較。因此，由KAI Collective Benchmarks產(chǎn)生的數(shù)據(jù)包含了與理想CCT值的比較，指標(biāo)形式為百分比。

圖4、KAI Collective Benchmarks 綜合結(jié)果中的理想百分比

數(shù)據(jù)塊完成時(shí)間分布

許多集合通信算法在每次Rank移動數(shù)據(jù)塊時(shí)都展現(xiàn)出對稱性。這是一個(gè)重要結(jié)論：當(dāng)系統(tǒng)為每個(gè)數(shù)據(jù)塊分配相等帶寬時(shí)，即實(shí)現(xiàn)了帶寬公平性，此時(shí)性能最佳。缺乏公平性會導(dǎo)致數(shù)據(jù)移動的尾延遲增加。一種評估公平性的方法是測量每個(gè)數(shù)據(jù)塊的完成時(shí)間（DCT），并報(bào)告最小值、最大值，以及第50和第95百分位數(shù)。在具有帶寬公平性的系統(tǒng)中，最小和最大DCT值應(yīng)當(dāng)較為接近。如果它們相差較大，您可以通過檢查P50和P95的結(jié)果來判斷異常值是更多地出現(xiàn)在快速還是慢速一側(cè)。這些指標(biāo)對于網(wǎng)絡(luò)工程師來說非常熟悉，并且比學(xué)術(shù)文獻(xiàn)中提到的其他公平性指標(biāo)更容易在團(tuán)隊(duì)和組織之間使用。

請注意，只有在集合算法中所有數(shù)據(jù)塊的大小相等時(shí)，報(bào)告DCT百分位數(shù)才是有意義的。

結(jié)論

集合通信操作的基準(zhǔn)測試是理解分布式AI基礎(chǔ)設(shè)施性能極限的基礎(chǔ)性方法。它是AI集群設(shè)計(jì)和優(yōu)化過程中尋找改進(jìn)方案的有用工具。無論是開源還是商業(yè)實(shí)現(xiàn)，這些工具都圍繞著一組共同的輸入?yún)?shù)和測量指標(biāo)進(jìn)行操作。在本文中，我們提供了這些參數(shù)的定義，并詳細(xì)闡述了它們的含義，以助力術(shù)語的標(biāo)準(zhǔn)化。

術(shù)語和定義一覽表

術(shù)語

Collective Operation

定義

集合通信算子，這些通信模式涉及一組進(jìn)程間的數(shù)據(jù)交換，是擴(kuò)展型AI/ML集群中網(wǎng)絡(luò)通信的基本單元，負(fù)責(zé)在GPU之間移動數(shù)據(jù)。

單位/值

Broadcast

Gather

Scatter

ReduceScatter

AllGather

AllReduce

AlltoAll

術(shù)語

Rank

定義

在集合通信操作中交換消息的端點(diǎn)的標(biāo)識符。通常，一個(gè)Rank代表一個(gè)GPU。在某些情況下，一個(gè)GPU可以有多個(gè)Rank。

單位/值

從0開始的整數(shù)

術(shù)語

Collective Size(n)

定義

集合通信中Rank的數(shù)量

單位/值

2或大于2的整數(shù)

術(shù)語

Data Size(S)

定義

集合通信操作中，單個(gè)Rank輸入的數(shù)據(jù)大小

單位/值

Bytes

術(shù)語

Collective Completion Time (CCT)

定義

集合通

集合通信操作完成所需的時(shí)間，尤其適用于比較不同集合通信算法在處理不同數(shù)據(jù)大小時(shí)的性能表現(xiàn)。

單位/值

秒

術(shù)語

Algorithm Bandwidth (algbw)

定義

一種用于比較不同數(shù)據(jù)大小下集合通信算法性能的指標(biāo)。算法帶寬（algbw）= 數(shù)據(jù)大小S / 集合完成時(shí)間（CCT）

單位/值

GB/s

術(shù)語

Bus Bandwidth (busbw)

定義

描述了集合通信算法在AI基礎(chǔ)設(shè)施中的瓶頸性能。該公式是特定于算法的。

單位/值

GB/s

術(shù)語

Ideal %

定義

將測量的集合通信完成時(shí)間（CCT）與給定算法、傳輸開銷和網(wǎng)絡(luò)接口速度的最小理論值進(jìn)行比較。

單位/值

秒

術(shù)語

Data chunk Completion Time (DCT)

定義

在兩個(gè)Rank之間傳輸一個(gè)數(shù)據(jù)塊所需的時(shí)間。測量集合通信操作中每個(gè)數(shù)據(jù)塊完成時(shí)間（DCT）的值，并報(bào)告最小值、最大值、第50百分位數(shù)（P50）和第95百分位數(shù)（P95）有助于理解系統(tǒng)中的帶寬公平性。

單位/值

秒

關(guān)于是德科技

是德科技（NYSE：KEYS）啟迪并賦能創(chuàng)新者，助力他們將改變世界的技術(shù)帶入生活。作為一家標(biāo)準(zhǔn)普爾 500 指數(shù)公司，我們提供先進(jìn)的設(shè)計(jì)、仿真和測試解決方案，旨在幫助工程師在整個(gè)產(chǎn)品生命周期中更快地完成開發(fā)和部署，同時(shí)控制好風(fēng)險(xiǎn)。我們的客戶遍及全球通信、工業(yè)自動化、航空航天與國防、汽車、半導(dǎo)體和通用電子等市場。我們與客戶攜手，加速創(chuàng)新，創(chuàng)造一個(gè)安全互聯(lián)的世界。