基于云原生AI的RDMA网络分布式训练

概述

RDMA(Remote Direct Memory Access)是新一代的网络通信技术,它允许计算机之间直接进行内存对内存的数据传输,而不需要经过操作系统或中央处理器的处理。在大规模的分布式训练中,通过使用RDMA有效解决网络传输中服务器端数据处理的延迟问题,从而实现高吞吐、低延迟的网络通信,提升训练效率。

环境准备

已经创建集群,且集群中至少有2台具有RDMA网络的GPU实例。
GPU实例镜像中包含ofed和nvidia驱动,这里推荐使用百度智能云提供的GPU镜像,已包含OFED驱动,无需手动安装。
集群已安装 云原生AI CCE RDMA Device Plugin、 CCE GPU Manager 、 CCE AI Job Scheduler 和 CCE Deep Learning Frameworks Operator 组件。

验证

登录集群内具有 RDMA 网络的GPU节点,运行以下命令验证主机环境。

$ ofed_info -s         #roce驱动版本  
MLNX_OFED_LINUX-*.*-*.*.*.*:  

验证 Nvidia GPU 驱动

nvidia-smi  #nvidia gpu驱动  
+-----------------------------------------------------------------------------+  
| NVIDIA-SMI 470.141.03   Driver Version: 470.141.03   CUDA Version: 11.4     |  
|-------------------------------+----------------------+----------------------+  
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |  
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |  
|                               |                      |               MIG M. |  
|===============================+======================+======================|  
|   0  NVIDIA A100-SXM...  On   | 00000000:53:00.0 Off |                    0 |  
| N/A   29C    P0    64W / 400W |      0MiB / 81251MiB |      0%      Default |  
|                               |                      |             Disabled |  
+-------------------------------+----------------------+----------------------+  
|   1  NVIDIA A100-SXM...  On   | 00000000:59:00.0 Off |                    0 |  
| N/A   32C    P0    61W / 400W |      0MiB / 81251MiB |      0%      Default |  
|                               |                      |             Disabled |  
+-------------------------------+----------------------+----------------------+  
|   2  NVIDIA A100-SXM...  On   | 00000000:6E:00.0 Off |                    0 |  
| N/A   33C    P0    67W / 400W |      0MiB / 81251MiB |      0%      Default |  
|                               |                      |             Disabled |  
+-------------------------------+----------------------+----------------------+  
|   3  NVIDIA A100-SXM...  On   | 00000000:73:00.0 Off |                    0 |  
| N/A   29C    P0    60W / 400W |      0MiB / 81251MiB |      0%      Default |  
|                               |                      |             Disabled |  
+-------------------------------+----------------------+----------------------+  
|   4  NVIDIA A100-SXM...  On   | 00000000:8D:00.0 Off |                    0 |  
| N/A   29C    P0    60W / 400W |      0MiB / 81251MiB |      0%      Default |  
|                               |                      |             Disabled |  
+-------------------------------+----------------------+----------------------+  
|   5  NVIDIA A100-SXM...  On   | 00000000:92:00.0 Off |                    0 |  
| N/A   32C    P0    65W / 400W |      0MiB / 81251MiB |      0%      Default |  
|                               |                      |             Disabled |  
+-------------------------------+----------------------+----------------------+  
|   6  NVIDIA A100-SXM...  On   | 00000000:C9:00.0 Off |                    0 |  
| N/A   33C    P0    64W / 400W |      0MiB / 81251MiB |      0%      Default |  
|                               |                      |             Disabled |  
+-------------------------------+----------------------+----------------------+  
|   7  NVIDIA A100-SXM...  On   | 00000000:CF:00.0 Off |                    0 |  
| N/A   28C    P0    62W / 400W |      0MiB / 81251MiB |      0%      Default |  
|                               |                      |             Disabled |  
+-------------------------------+----------------------+----------------------+  


+-----------------------------------------------------------------------------+  
| Processes:                                                                  |  
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |  
|        ID   ID                                                   Usage      |  
|=============================================================================|  
|  No running processes found                                                 |  
+-----------------------------------------------------------------------------+  

查询 RDMA 网卡

show_gids  
DEV PORT    INDEX   GID                 IPv4        VER DEV  
--- ----    -----   ---                 ------------    --- ---  
mlx5_0  1   0   fe80:0000:0000:0000:f820:20ff:fe28:c769         v1  eth0  
mlx5_0  1   1   fe80:0000:0000:0000:f820:20ff:fe28:c769         v2  eth0  
mlx5_0  1   2   0000:0000:0000:0000:0000:ffff:0a00:3c03 10.0.60.3   v1  eth0  
mlx5_0  1   3   0000:0000:0000:0000:0000:ffff:0a00:3c03 10.0.60.3   v2  eth0  
mlx5_1  1   0   fe80:0000:0000:0000:eaeb:d3ff:fecc:c920         v1  eth1  
mlx5_1  1   1   fe80:0000:0000:0000:eaeb:d3ff:fecc:c920         v2  eth1  
mlx5_1  1   2   0000:0000:0000:0000:0000:ffff:190b:8002 25.11.128.2     v1  eth1  
mlx5_1  1   3   0000:0000:0000:0000:0000:ffff:190b:8002 25.11.128.2     v2  eth1  
mlx5_2  1   0   fe80:0000:0000:0000:eaeb:d3ff:fecc:c921         v1  eth2  
mlx5_2  1   1   fe80:0000:0000:0000:eaeb:d3ff:fecc:c921         v2  eth2  
mlx5_2  1   2   0000:0000:0000:0000:0000:ffff:190b:8022 25.11.128.34    v1  eth2  
mlx5_2  1   3   0000:0000:0000:0000:0000:ffff:190b:8022 25.11.128.34    v2  eth2  
mlx5_3  1   0   fe80:0000:0000:0000:eaeb:d3ff:fe6c:51d2         v1  eth3  
mlx5_3  1   1   fe80:0000:0000:0000:eaeb:d3ff:fe6c:51d2         v2  eth3  
mlx5_3  1   2   0000:0000:0000:0000:0000:ffff:190b:8042 25.11.128.66    v1  eth3  
mlx5_3  1   3   0000:0000:0000:0000:0000:ffff:190b:8042 25.11.128.66    v2  eth3  
mlx5_4  1   0   fe80:0000:0000:0000:eaeb:d3ff:fe6c:51d3         v1  eth4  
mlx5_4  1   1   fe80:0000:0000:0000:eaeb:d3ff:fe6c:51d3         v2  eth4  
mlx5_4  1   2   0000:0000:0000:0000:0000:ffff:190b:8062 25.11.128.98    v1  eth4  
mlx5_4  1   3   0000:0000:0000:0000:0000:ffff:190b:8062 25.11.128.98    v2  eth4  
mlx5_5  1   0   fe80:0000:0000:0000:eaeb:d3ff:fe33:1366         v1  eth5  
mlx5_5  1   1   fe80:0000:0000:0000:eaeb:d3ff:fe33:1366         v2  eth5  
mlx5_5  1   2   0000:0000:0000:0000:0000:ffff:190b:8082 25.11.128.130   v1  eth5  
mlx5_5  1   3   0000:0000:0000:0000:0000:ffff:190b:8082 25.11.128.130   v2  eth5  
mlx5_6  1   0   fe80:0000:0000:0000:eaeb:d3ff:fe33:1367         v1  eth6  
mlx5_6  1   1   fe80:0000:0000:0000:eaeb:d3ff:fe33:1367         v2  eth6  
mlx5_6  1   2   0000:0000:0000:0000:0000:ffff:190b:80a2 25.11.128.162   v1  eth6  
mlx5_6  1   3   0000:0000:0000:0000:0000:ffff:190b:80a2 25.11.128.162   v2  eth6  
mlx5_7  1   0   fe80:0000:0000:0000:eaeb:d3ff:fe6c:68ae         v1  eth7  
mlx5_7  1   1   fe80:0000:0000:0000:eaeb:d3ff:fe6c:68ae         v2  eth7  
mlx5_7  1   2   0000:0000:0000:0000:0000:ffff:190b:80c2 25.11.128.194   v1  eth7  
mlx5_7  1   3   0000:0000:0000:0000:0000:ffff:190b:80c2 25.11.128.194   v2  eth7  
mlx5_8  1   0   fe80:0000:0000:0000:eaeb:d3ff:fe6c:68af         v1  eth8  
mlx5_8  1   1   fe80:0000:0000:0000:eaeb:d3ff:fe6c:68af         v2  eth8  
mlx5_8  1   2   0000:0000:0000:0000:0000:ffff:190b:80e2 25.11.128.226   v1  eth8  
mlx5_8  1   3   0000:0000:0000:0000:0000:ffff:190b:80e2 25.11.128.226   v2  eth8  

NCCL使用

NCCL是NVIDIA的集合通信库,能实现Collective通信和点对点通信,NCCL内部已经实现了RDMA通信,同时NCCL可以根据环境中网卡类型和拓扑关系,自行选择一个最优的通信路径,目前主流的分布式训练框架都已支持NCCL。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,839评论 6 482
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,543评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 153,116评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,371评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,384评论 5 374
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,111评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,416评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,053评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,558评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,007评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,117评论 1 334
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,756评论 4 324
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,324评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,315评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,539评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,578评论 2 355
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,877评论 2 345

推荐阅读更多精彩内容