关于人工智能:OSDI20PipeSwitch-Fast-Pipelined-Context-Switching-for-DL

46次阅读

共计 3627 个字符,预计需要花费 10 分钟才能阅读完成。

【AI sys】GPU 上 DL 工作 疾速上下文切换

PipeSwitch: Fast Pipelined Context Switching for Deep Learning Applications

https://www.usenix.org/confer…

Johns Hopkins University & ByteDance

简介

背景、动机

  • DL 工作:吞吐敏感的训练任务、提早敏感的推理工作。为了保障推理的 SLOs,支流的设计是把它们离开部署在不同的 GPU 集群上。其弊病:推理工作负载低时(早晨),训练任务无奈利用推理集群闲暇的 GPU 资源;遇到flash crowd 时,推理工作无奈抢占训练集群的资源;为 SLOs 和限度不同工作间的推理,生产中常为一个推理利用调配单个 GPU。
  • 若放同一 GPU 集群,则工作切换开销很大,可能是几秒,而推理的 SLOs 是数十数百毫秒。
  • 以后应答切换开销的计划:空间共享 GPU 内存。但 MPS 和 Salus 等须要事后将过程的数据加载到 GPU 中,而 GPU 内存不足以预加载太多利用,且模型会增长。此外,这些计划没有给利用提供 GPU 强内存隔离。

要害思维

PipeSwitch 使得多 DL 工作在同一 GPU 上高效地分时复用,工作切换开销为毫秒级,且不耽误 SLO。

要害思维:DNN 层层重叠,计算是一层层的,PipeSwitch 利用这点,把模型传送、模型计算、GPU 内存替换的过程流水线化,以疾速切换上下文。同时,还要解决内存治理、worker 切换的问题。

奉献

  • GPU 上 DL 工作的高效细粒度分时共享,毫秒级上下文切换开销,高吞吐量;
  • 引入流水线上下文切换。蕴含对立内存治理,以及active-standby 机制,缩小切换开销、实现过程级隔离。
  • 实现了零碎原型,并集成到 PyTorch 中。试验表明,工作启动 3.6-6.6ms,总开销比 NVIDIA MPS 好 10-50x,GPU 利用率靠近 100%。

PipeSwitch 总览

架构

  • 控制器。接管客户端的工作,管制内存 daemon,管制 worker 执行工作。(TCP 线程、调度线程)
  • 内存 daemon。治理 GPU 内存、DNN 模型。为沉闷 worker 调配 GPU 内存,将模型从主机内存传送到 GPU 内存。
  • 沉闷 worker。执行以后 GPU 的工作。一个 server 蕴含一个沉闷 worker。
  • 备用 worker。一个 server 有一或多个备用 worker。常闲暇。用来初试化新工作,或革除本身环境。

(worker 蕴含主线程、终止线程)

控制器和 worker 都须要用户注册模型。

工作执行

  • 控制器接收客户端工作,调度工作,为抢占式(因为有推理工作)。
  • 启动新工作:控制器告诉闲暇备用 worker 来初始化其环境;沉闷 worker 实现或中断当前任务后,控制器告诉内存 daemon 和备用 worker 去把工作加载到 GPU(流水线模型传送);内存 daemon 分配内存该备用 worker,并把模型从主机内存传输到 GPU 内存。
  • 备用 worker 变成新的沉闷 worker,执行新工作。
  • 同时,先前的沉闷 worker 变成备用 worker,革除本身环境。

设计细节

GPU 上下文切换开销次要四局部:

  • 工作革除。如开释 GPU 内存。
  • 工作初始化。如启动过程,初始化 CUDA 上下文。
  • GPU 内存调配。
  • 模型传送。通过 PCIe,从主机 CPU 到 GPU。

各阶段工夫:数十毫秒到数秒。

流水线模型传输

推理工作只有前向船舶;训练任务的每次迭代都有前向流传、反向流传。两者工作都不须要等到整个模型加载到 GPU 中才开始计算,加载完一层即可。

PyTorch 中主动注入 hook,实现期待传输、同步执行。

加载一层,计算……带来的零碎开销:频繁的 PCIe 传输调用,有些层很小,PCIe 调用开销显得大;传输和计算间的同步开销。为此提出:

model-aware 分组。把多层并到一个组,在per-group 粒度上流水线化。用小的组,传输和计算间的重叠更多,可进步流水线效率,但额定开销增大;用大的组,额定开销小,但流水线重叠少。因而,分组需 model-aware

如何找到最佳分组大小?两种剪枝办法。

$T(i, j)$:从层 $i$ 到 $ j$ 的一个组,传输工夫(蕴含调用 PCIe 的工夫)

$E(i, j)$:从层 $i $ 到 $ j$ 的一个组,执行工夫

$F(B, i)$:给定 $0$ 到 $i-1$ 层的分组 B,返回 $i$ 到 $n-1$ 层在最优分组策略下的工夫

$F$({}, $0$ ) = $ \min \limits_i $ $F$ ({$group(0, i $) }, $ i$ + 1)。(1)分为 $n$ cases。

剪枝 1:计算 lower bound。对应 Figure 3a。这是思考最佳状况:剩下的层放在一个组里,这样计算和传输就能够完满重叠,即计算能够在第一个组的计算实现后马上开始。若 case $i$ 的 lower bound 大于目前找到的最优工夫,则能够进行计算 $F$ ({$group(0, i $) }, $ i$ + 1)。

剪枝 2:Figure 3b。除了第一个组,能够将多个层打包在一起,而不会影响流水线的效率。假如固定第一组为层 $0$ 到 $i$,用递归(1) 枚举第二组。只有第二组的传输在第一组的计算实现前实现,就能够把第二组的传输暗藏到第一组。要分组的最小层数为:

能够免去计算 $(i+1)$ 到 $j < j^*$ 分组,只枚举 $ j \ge j^* $ 的状况。

算法:

$B$ 示意曾经分好的组,$x$ 示意还未分组的第一层。

$O(2^n)$。但剪枝可剪掉大部分的。

正确性证实。归纳法。

泛化。这个算法是在给定执行程序下,寻找最优的流水线分组法,也可利用于有环图模型。

对立内存治理

DL 模型很大,产生大量两头后果,很耗内存,且用 cuda 自带的内存治理接口会带来不必要的额定开销。

DL 工作的两类数据:模型自身(包含参数)、两头后果。前者是固定的(推理或训练都不会扭转模型构造)。两头后果的变动不会产生内存碎片:

  • 推理工作。一层算完给下一层,下一层算完,上一层不再须要可清掉。
  • 训练任务。前向流传的后果还要用于后向流传,两头后果是先进后出的,相似于栈。

栈式机制治理内存。

  • 最小化内存调配开销。系统启动时,内存 daemon 应用 cudaMalloc 获取 GPU 内存,运行时动静分配内存(指针传给 worker)。daemon 保障一次只有一个 worker 占用 GPU 内存,以实现 worker 间内存隔离。一个 worker 应用一个内存池。
  • 最小化内存 footprint,防止额定内存拷贝。内存 daemon 存模型,只需一份拷贝,且不须要把模型从专有过程拷到 worker。
  • 最小化 IPC 开销。daemon 把相干的 GPU 内存句柄发给 worker。用 GPU 的来 IPC APIs 实现。daemon 和 worker 应用同样程序来为模型参数分配内存,这样许多参数的内存指针就会雷同,就只需一次 IPC 调用来初始化 worker。
  • Pin memory。主机内存用作和 GPU 替换数据的页,pin 住,免得不沉闷时被替换到磁盘。

worker 切换

应用 active-standby 机制来实现疾速 worker 切换和过程级隔离。沉闷的执行以后 GPU 的工作,备用的在 CPU 期待下一个工作。 并行化:革除旧工作(沉闷 worker 执行),初始化工作(备用 worker 执行)。

注:革除,只清元数据,如 GPU 指针,而不开释内存。

控制器告诉沉闷 worker 进行,撤销对它的 GPU 内存调配,将内存分给新的沉闷 worker。

备用的太少,可能不能及时有闲暇的;太多,备用的保留上下文耗太多 GPU 内存。作者示意,两个 standby worker 就足够了。

试验

  1. end-to-end 测试,比拟 read model, stop-and-start, NVIDIA MPS, PipeSwitch

    • 推理工作达到。提早、总开销、第一层的启动开销。
    • 不同调度周期下,吞吐量、端到端提早。
  2. 模型传送。测提早。比拟上面的:

    以及剪枝策略的对照试验。

  3. 内存治理。比拟:不必 cuda 主动治理(worker 用 cudaMalloc);没有 IPC 优化的;没pin memory 的;cuda 主动治理(worker 掉用 cudaMallocManaged);PipeSwitch。测提早。
  4. 上下文切换。比拟:单过程、双过程、PipeSwitch。测提早。

相干工作

借鉴了分布式 DL 训练的 PipeDream 和 ByteScheduler。这俩着重于 inter-batch 流水线,以重叠计算和不同 batch 间的梯度传输,是面向同一 DNN 模型(工作)的训练的。PipeSwitch 的翻新处:应用intra-batch 流水线,交叠模型传输和计算,以缩小不同 DNN 模型间(推理或训练)的切换开销。此外,不同过程间的内存治理、worker 切换,也是要解决的问题。

vDNN 和 SwapAdvisor 也有 GPU 内存治理,是针对大模型的单个训练任务的。

领会

个人感觉,不论设计还是行文都十分优雅。从最优分组传颂、内存治理、worker 切换等多方面,逐点优化,在流水线效率和额定开销之间寻找平衡点,工程很丰满。

正文完
 0