【分布式】NCCL部署与测试 - 01

canmoumou

已于 2023-11-23 20:49:18 修改

阅读量5.1k

点赞数 7

分类专栏：分布式文章标签：分布式 NCCL c++ 1024程序员节

于 2023-10-07 16:44:43 首次发布

本文链接：https://blog.csdn.net/u013013023/article/details/133387571

版权

分布式专栏收录该内容

12 篇文章 0 订阅

订阅专栏

摆烂了整整一年。
工作的事情，真的影响心情。

NCCL

简述

NCCL（NVIDIA Collective Communications Library）是一种由NVIDIA开发的高性能通信库，专门用于加速多GPU系统中的并行计算工作负载。NCCL旨在优化多GPU之间的数据传输和通信，以实现更快的并行计算速度。

也就是说NCCL可以加速GPU通信，降低通信开销

NCCL具备以下通信模式（后文有详细介绍）：
点对点通信：允许两个特定的GPU之间直接交换数据。
群集通信：NCCL还支持集体通信，这些操作涉及多个GPU之间的数据交换

NCCL还具有的其他功能
拓扑感知通信：识别多GPU系统的拓扑结构，并优化通信以最大程度地减少通信延迟和带宽消耗。
异步通信：允许计算操作与通信操作并行执行，从而提高了系统的效率。

那么也就是说我们可以通过一下几个方向来了解什么是NCCL

本章节只放了集合通讯相关和一些零碎的内容，后续再讲其他的。

背景

是什么限制了并行计算应用？
1 并行计算任务的效率

可供使用的并行数量
分配给每个处理器的任务

2 各个任务之间的通信开销

通信量
计算与通信的重叠程度

集合通讯

任务之间有哪些通讯模式
Point-to-point communication （P2P, 也就是点对点）

单一发送方，单一接收方
高效通信相对好实现

Collective communication（CC, 集合通信）

多个发送方和/或接收方
模式有broadcast, scatter, gather, reduce, all-to-all, …
很难做到高效

P2P，点对点通信

P2P是HPC 中最常见的模式，其中通信通常是与最近的邻居
P2P

CC, 集合通信

Broadcast, 广播

BROADCAST

Scatter，单发多收

scatter

Gather，多发单收

Gather

All Gather

Reduce

All Reduce

Reduce-Scatter

All to All

可能存在的问题

有多个发送方和/或接收方会加剧通信效率低下
• 对于小额传输，延迟占主导地位，更多参与者会增加延迟
• 对于大型传输，带宽是关键，瓶颈很容易暴露出来
• 可能需要拓扑感知实现以实现高性能
• CC通常是阻塞/不重叠的
使用场景
• 深度学习 (All-reduce, broadcast, gather)
• 并行FFT 傅里叶变换(Transposition is all-to-all)
• 分子动力学 (All-reduce)
• 图形分析(All-to-all)
如何扩展？需要高效的通信算法和谨慎的实现
• 通信算法依赖于拓扑
• 拓扑可能很复杂 - 并非每个系统都是一棵肥树
• 大多数集合体都适合在环上实现带宽优化，并且许多拓扑可以解释为一个或多个环[P. Patarasuk and X. Yuan]

代码结构

仓库：NCCL Github
测试仓库：Nccl-test Github

编译

可直接参考Readme。
默认有cuda环境不用设置，如果有多个cuda环境，需要在make的时候指定CUDA_HOME。

git clone https://github.com/NVIDIA/nccl.git
cd nccl
make src.build CUDA_HOME=<path to cuda install>

直接编译：

make -j src.build

测试

运行时可以从nccl-test入手。同样参考Github的README即可。
NCCL和nccl-test都是使用makefile编写的链接。

git https://github.com/NVIDIA/nccl-tests.git
cd nccl-tests
make CUDA_HOME=/path/to/cuda NCCL_HOME=/path/to/nccl

测试时：

Run on 8 GPUs (-g 8), scanning from 8 Bytes to 128MBytes :

$ ./build/all_reduce_perf -b 8 -e 128M -f 2 -g 8

Run with MPI on 10 processes (potentially on multiple nodes) with 4 GPUs each, for a total of 40 GPUs:

$ mpirun -np 10 ./build/all_reduce_perf -b 8 -e 128M -f 2 -g 4

其他

1、Group

通过任意一个nccl-test，我们可以看到大部分原语操作都要在前后包裹ncclGroupStart()和ncclGroupEnd()。这个搭配是成对的，并且可以嵌套完成。Start开始以后，会根据你调用接口的同步异步模式进行差异处理，最后调用End才是真正执行。
如果是同步模式，则Start以后会立即调用，如果是异步模式，则会直接把这一组操作加入任务队列。

NCCL_API(ncclResult_t, ncclGroupStart);
ncclResult_t ncclGroupStart() {
  ncclResult_t ret = ncclSuccess;
  NVTX3_FUNC_RANGE_IN(nccl_domain);

  NCCLCHECK(ncclGroupStartInternal());
  TRACE_CALL("ncclGroupStart()");
  return ret;
}

NCCL_API(ncclResult_t, ncclGroupEnd);
ncclResult_t ncclGroupEnd() {
  ncclResult_t ret = ncclSuccess;
  NVTX3_FUNC_RANGE_IN(nccl_domain);
  NCCLCHECKGOTO(ncclGroupEndInternal(), ret, exit);
  TRACE_CALL("ncclGroupEnd()");
exit:
  return ret;
  }