AI通信加速库DeepNCCL的架构、性能以及优化原理_GPU云服务器(EGS)-阿里云帮助中心

DeepNCCL是为阿里云神龙异构产品开发的一种用于多GPU互联的AI通信加速库，在AI分布式训练或多卡推理任务中用于提升通信效率。本文主要介绍DeepNCCL的架构、优化原理和性能说明。

产品简介

DeepNCCL基于NCCL（NVIDIA Collective Communications Library）通信算子的调用，能够实现更高效的多GPU互联通信，无感地加速分布式训练或多卡推理等任务。

DeepNCCL的关联架构布局图如下所示：

架构层		说明
AI模型		DeepNCCL在AI场景下使用时，具备通用性能，适用模型包括但不限于LLM大模型和SD文生图等AI模型。
AI框架层		在AI框架层，支持的AI框架和功能如下：支持通用的AI框架，例如PyTorch、TensorFlow、Mxnet等AI框架。支持基于AI框架之上的并行框架，例如Megatron、DeepSpeed、Collossal-AI等衍生框架。 DeepNCCL通过底层Deepytorch实现了PyTorch框架的充分兼容和无感分布式训练性能优化，增加融合优化等额外调优手段。说明如需了解Deepytorch的更多信息，请参见什么是Deepytorch Training（训练加速）。
DeepNCCL通信加速	接口层	在接口层，通过DeepncclWrapper封装nccl-base函数，提供了对通信算法的通用支持。支持的NCCL通信算法包括allreduce（全局归约）、reduce-scatter（分散归约）、allgather（全收集）等。
	集合算法层	在集合算法层，通过集合通信编译技术，针对不同的机型构建自适应拓扑算法，实现NCCL Runtime充分兼容和无感的集合通信拓扑优化。
	网络层	在网络层，通过对阿里云的VPC、RDMA或者eRDMA网络基础设施进行适配优化，实现网络层无感的通信优化。

DeepNCCL通信加速库在AI分布式训练或多卡推理任务中，具有显著的通信优化效果。具体说明如下：

单机内的优化主要针对不同硬件拓扑机型的通信优化，以PCIe互连的机型和NVLink互连的机型为例，具体说明如下：

PCIe互连拓扑优化：该机型的多GPU卡之间共享PCIe带宽，通信容易受限于物理带宽。针对PCIe互连拓扑的通信优化特点，理论上，可以采用基于流水线的PS（Parameters Server：参数服务器）模式梯度规约算法CPU-Reduce大幅降低通信耗时。该算法按照GPU到CPU再到GPU的顺序构建流水线，将梯度规约的计算分散到多个设备上运行，来减少通信瓶颈。
例如，在通信数据量超过4 MB的场景，PCIe互连拓扑优化方案相比NCCL原生在性能上提升了20%以上。

NVLink互连拓扑优化：NCCL默认使用的Binary-Tree算法在V100机型上并不能充分发挥多通道性能。针对NVLink互连拓扑的通信优化，可以通过扩展单机内部不同的N-Trees拓扑结构组合，实现了拓扑调优并发挥多通道性能。
例如，在通信数据量超过128 MB的场景下，NVLink互连拓扑优化方案相比NCCL原生在性能上提升了20%以上。

多机优化体现在通信算子编译优化、TCP多流优化、多机CPU-Reduce优化三个方面，具体说明如下：

通信算子编译优化：针对阿里云上不同机型，以及网卡与GPU的不同拓扑连接等特点，相比较基于全局拓扑结构实现的Allreduce、Allgather或Reduce-scatter等算法，Hybrid+算法支持单机和多机的分层通信，充分利用单机内部高速带宽的同时降低了多机之间的通信量，通信算子编译优化方案相比NCCL原生在性能上提升了50%以上。
通信多流优化：通常情况下，因网络带宽没有被充分利用，会导致上层集合通信算法的跨机性能无法达到最优。而采用基于TCP/IP的多流功能，提升分布式训练的并发通信能力，可以实现多机训练性能提升5%~20%。
多机CPU-Reduce：该优化继承了单机内CPU-Reduce高效的异步流水线，并将跨机Socket通信也设计为流水线形态，实现多机通信全过程流水化，有效减少通信延迟，提高整体训练性能。
例如，在通信量较大的Transformer-based模型的多机训练场景下，多机CPU-Reduce优化方案可将端到端性能提升20%以上。

DeepNCCL通信加速库具有Allreduce单机优化、Allreduce多机优化、Reduce-scatter多机优化以及Allgather多机优化性能，具体说明如下：

特性	支持范围	性能提升率说明
Allreduce单机优化	支持A10的8卡机型，例如ecs.ebmgn7ix.32xlarge。	相比NCCL原生，使用DeepNCCL进行Allreduce单机优化后，当通信数据量为512 B~2 M时，其通信性能提升10%~100%。
Allreduce多机优化	支持V100或A10等机型，例如 ecs.gn6v-c10g1.20xlarge或 ecs.ebmgn7ix.32xlarge。	相比NCCL原生，使用DeepNCCL进行Allreduce双机优化后，当通信数据量为128 M~256 M时，其通信性能提升10%~20%。 DeepNCCL目前支持最多在8台机器上进行协同训练。
Reduce-scatter多机优化	支持V100或A10等机型，例如 ecs.gn6v-c10g1.20xlarge或 ecs.ebmgn7ix.32xlarge。	相比NCCL原生，使用DeepNCCL进行Reduce-scatter双机优化后，其通信性能提升30%。 DeepNCCL目前支持特定的多机进行扩展，即2机2卡、2机4卡、2机8卡、4机8卡、7机8卡或8机8卡机型。
allgather多机优化	支持V100或A10等机型，例如 ecs.gn6v-c10g1.20xlarge或 ecs.ebmgn7ix.32xlarge。	相比NCCL原生，使用DeepNCCL进行Allgather双机优化后，其通信性能提升80%。 DeepNCCL目前支持最多在20台机器上进行协同训练。