比Horovod/NCCL 快8倍！伯克利与微软联合发布最优GPU通信库Blink

当下大规模分布式机器学习模型训练中，数据并行是最广为使用的方法。随着GPU的算力不断提升，GPU间的数据聚合（即模型同步）成为了大规模分布式模型训练的瓶颈。当下流行的数据聚合库函数（Nvidia的NCCL，百度的Ring-AllReduce）或分布式模型训练平台（例如Uber的Horovod）并没有很好的解决GPU间数据通信的问题。例如文献【1】指出，利用现有的Horovord 或NCCL，GPU间数据聚合可能会占到模型训练总耗时的50%到90%。这些现有GPU间数据聚合解决方案的最大问题在于：无法充分利用所有的，同构/异构的数据通信通道。因此，UC Berkeley、Microsoft Research 和 University of Wisconsin-Madison联合发布，利用GPU间所有异构数据传输通道，实现数据聚合的最优解决方案Blink。相比NCCL/Horovod，Blink提高GPU间数据聚合的通信效率高达8倍，最多可以缩短分布式机器学习模型总训练时间的40%。

数据并行是当下最为流行的大规模分布式机器学习方法。现如今GPU算力极速增长，使得分布式机器学习中模型训练的瓶颈，由GPU运算过程，转移到了GPU间数据通信过程。为了解决GPU间数据通信的瓶颈，在硬件上，GPU生产厂商Nvidia，针对顶级单机多卡的机器（例如DGX-1, DGX-2）发布了点对点的高速GPU间数据传输通道NVLink（文献【6】）和NVSwitch（文献【7】），单条NVLink的通信带宽是传统PCIe总线的2-3倍。多机间通信通过增设多个InfiniBand/Ethernet端口从而可以实现多端口并行传输提高网络吞吐率。在软件上，例如Uber的Horovod（文献【3】），Nvidia的NCCL（文献【2】），百度的Ring-AllReduce（文献【4】），都是专门针对单机内GPU，以及多机器间GPU通信所进行的系统层面优化的库函数和机器学习平台。但这种软硬件方面的提升，并没有很好的解决GPU数据聚合（模型同步）问题。例如文献【1】指出，利用现有的Horovod/NCCL，GPU间数据聚合通信时间依然会占到模型训练总耗时的50%到90%不等。

本文作者认为，最大问题在于当下的软件层面GPU间通信协议（NCCL/Horovod）并没有很好的利用所有同构和异构的网络传输线路。本文作者称其为网络异构性，具体表现在如下三方面：

1. 不同型号的同类机器（如由P100 GPU组成的DGX-1，和用V100 GPU组成的DGX-1），其内部传输通道的拓扑结构不同。如下图所示，DGX-1-V100 相比DGX-1-P100，第一，单条NVLink的带宽有区别：DGX-1-P100 使用第一代NVLink，单条链接带宽在18-20GB/s。DGX-1-V100使用第二代NVLink，单条链接带宽在22-25GB/s。第二，拓扑结构也不同，相比DGX-1-P100，DGX-1-V100的网络链路拓扑结构，在图1黑色实线（DGX-1-P100）拓扑结构基础上，新增了一圈NVLink线路（图1红色虚线所示）。

1. 当前的软件通信协议，并没有充分利用异构的GPU间通信通道（例如，NVLink和PCIe）。其根本原因是，现有通信协议使用的是在软件层面，建立多个环状通信通道。在一个环状通信通道里，整个环的带宽会被带宽最小的链接所限制。试想如果在一个由NVLink组建的多GPU的环状通信通道中，有一段链接是PCIe，则整个这个这个环状通信通道的带宽会被限制在了PCIe的带宽上（因为PCIe带宽远小于NVLink）。所以当下数据聚合的软件通信协议（NCCL/Horovod）就只用同构的高速传输线路（NVLink），而忽略其他低速，异构的传输线路（PCIe）（如下图 2（a）所示）

1. 在多租户的云端机群上，任务调度器是不知道GPU间通信线路的拓扑结构的。在云环境下，多个任务可能会被分派在同一台多卡的机器上。即使任务调度器知道GPU间通信拓扑结构，为了缩短任务的排队等待时间，调度器还是会把一个任务分配在多个机器上。（例如，一个8GPU的任务，调度器会把其分配为3个GPU在一台机器上，另外5个GPU在另一台机器上）。通过对一个云环境机群的调度历史记录分析，我们发现虽然任务大都需要2的幂的GPU数量（2，4，8），但是调度器还是经常会给任务分配3，5，6，7GPU在同一台机器上（如图3所示）。

如上三点 网络异构性，导致了NCCL/Horovod在优化GPU间数据聚合的过程中，无法充分利用所有的同构/异构通信线路。如图2（b）所示，当GPU1和GPU4之前没有NVLink直接相连的情况下，NCCL/Horovod因为无法在GPU0，GPU1，GPU4之间构建环状通道，所以无法利用高速通信线路NVLink，于是只能用低速的PCIe做为数据聚合的通道。然而，即使在NCCL/Horovod能够构建环状通信通道的情况下，NVLink还是有可能没有被充分利用（例如图4所示，4（b）中，GPU1和3，5和7，0和4 之间的NVLink未被利用）。

基于如上问题，本文提出Blink，一个最优的GPU间数据聚合的通信库。首先，对于由于机器版本不同，或被分配在单个机器内的GPU间任意拓扑结构的情况，Blink 打破了传统的GPU间环状（ring）通信通道的构建协议，提出了使用生成树（spanning tree）的通信通道构建协议。相比于环状通信通道，生成树通信通道可以更好的利用所有的网络链接线路（例如：图2（b），4（c）所示）。其次，针对异构通信线路（如NVLink和PCIe），Blink可以根据线路的带宽不同，调整在其上传输数据的比例划分，从而充分利用异构通信线路（例如图2（a））。最后，Blink提供了与NCCL一致的API，所以可以直接无缝应用于流行的机器学习平台上，如TensorFlow、Pytorch等。

Blink实现方案

Blink 系统流程图如 上图（ 图9）所示：

1. 当一个机器学习的任务被分配到多个GPU上时，Blink自动探索这些GPU之间所有的可用网络通信线路和其拓扑结构。
2. 当得到了所有的通信线路和拓扑结构，Blink通过生成树协议，在TreeGen模块里自动生成（1）最优的，多个，数据通信树状通道。（2）异构通信链路里，根据不同链路带宽分配不同传输数据的比例。
3. 当TreeGen产生了最优数据通信协议，CodeGen模块会把通信协议转换成拥有和NCCL的API一致的CUDA代码，然后编译生成库函数libBlink.so
4. Blink使用LD_Preload 去动态的将NCCL的库函数（libNCCL.so）替换为Blink的库函数(libBlink.so)，从而让主程序直接调用Blink的库函数。

实验结果

1 单机多GPU的数据聚合实验结果（DGX-1-V100，DGX-1-P100，DGX-2）

图示横轴每个柱状图下面的数组代表参与数据聚合的GPU序列（数字对应图1的GPU的序列号）。

在DGX-1-V100上进行的Broadcast和AllReduce实验中，相比于NCCL，Blink的broadcast吞吐率（图15）提升高达6倍（平均提升2倍），Blink的AllReduce吞吐率（图17）提升高达8倍（平均提升2倍）

在DGX-1-P100的机器上，相比于NCCL，Blink的broadcast提高吞吐率（图16）高达3倍（平均提升1.6倍）

在DGX-2的16-GPU机器上，相比于NCCL，Blink的AllReduce提高吞吐率高达3.5倍（图19），减小通信延时3.32倍（图20）。

2 机器学习模型训练效率提升结果

本文使用数据集ImageNet1K，对四个常见机器学习模型（ResNet18，ResNet50，AlexNet，VGG16）进行了分布式模型训练。

如图18所示，在单机DGX-1上，相比于NCCL/Horovod，Blink可以缩短GPU间数据聚合时间高达87%，从而缩短模型训练总时间高达40%。

如图22所示，在多机，即2个DGX-1之间，相比于NCCL/Horovod，Blink可以提高11%的模型训练效率（图22（a））。Blink效率提升小的原因在于，当下云环境的多机间通信仍用40Gbps的低速Ethernet。目前AWS和其他运营商（文献【5】）都在逐步改进多机间的网络通信带宽。针对可能达到的多机通信带宽，我们做了模拟器仿真，仿真结果如22（b）所示，相比NCCL/Horovod, Blink可以提升多机器的GPU间数据聚合效率高达7倍。

论文原文链接：

https://arxiv.org/abs/1910.04940

参考文献

1. Deepak Narayanan, Aaron Harlap, Amar Phanishayee, Vivek Seshadri, Nikhil Devanur, Greg Granger, Phil Gibbons, and Matei Zaharia. Pipedream: Generalized pipeline parallelism for dnn training. In ACM Symposium on Operating Systems Principles (SOSP), 2019
2. Sylvain Jeaugey. Optimized inter-GPU collective operations with NCCL 2. https://developer.nvidia. com/nccl, 2017.
3. Alex Sergeev and Mike Del Balso. Horovod: fast and easy distributed deep learning in TensorFlow. arXiv preprint arXiv:1802.05799, 2018.
4. Andrew Ng. Bringing HPC Techniques to Deep Learning. http://research.baidu.com/ bringing-hpc-techniques-deep-learning/, 2017.
5. Verizon marks milestone with successful 400G technology trial. https://bit.ly/2lKgAs7, 2018.
6. NVIDIA NVLINK. http://www.nvidia.com/ object/nvlink.html, 2017.
7. NVIDIA NVSWITCH. http:// images.nvidia.com/content/pdf/ nvswitch-technical-overview.pdf, 2018.