阿里云容器化GPU共享服務(wù)已開(kāi)放！性能無(wú)損失，對(duì)你的環(huán)境無(wú)侵入

隨著GPU算力越來(lái)越強(qiáng)，其成本也越來(lái)越高昂。

但有時(shí)，執(zhí)行一個(gè)深度學(xué)習(xí)任務(wù)，并不需要占用一整張GPU。

就相當(dāng)于，你不僅多花了錢，還浪費(fèi)了資源。

阿里云最近提出的這項(xiàng)技術(shù)，幫助你解決了這一困惑。

cGPU容器共享技術(shù)。

讓用戶通過(guò)容器來(lái)調(diào)度底層GPU資源，以更細(xì)顆粒度調(diào)度使用GPU，提高GPU資源利用率，從而來(lái)實(shí)現(xiàn)降本增效。

以往的研究中，業(yè)內(nèi)也有一些GPU共享方案，比如NVIDIA MPS、NVIDIA vGPU、rCUDA等。

但也存在了一些問(wèn)題。

比如，在容器調(diào)度GPU的時(shí)候，不同線程中的容器應(yīng)用可能出現(xiàn)顯存資源爭(zhēng)搶和互相影響的現(xiàn)象，未能做到容器的完全隔離。

舉個(gè)例子，當(dāng)一個(gè)企業(yè)在兩個(gè)容器中分別運(yùn)行著GPU的推理應(yīng)用，一個(gè)已經(jīng)穩(wěn)定了，一個(gè)還在開(kāi)發(fā)階段。

如果其中一個(gè)容器中的應(yīng)用出現(xiàn)故障，由于沒(méi)有實(shí)現(xiàn)很好的隔離技術(shù)，往往導(dǎo)致另一容器中的應(yīng)用也會(huì)出現(xiàn)故障。

那么阿里云的這項(xiàng)技術(shù)，就可以實(shí)現(xiàn)容器的「安全隔離」，業(yè)務(wù)之間不會(huì)相互干擾。

那么，這個(gè)作為業(yè)內(nèi)首創(chuàng)的「基于內(nèi)核虛擬GPU隔離」的GPU共享容器方案，具體是如何實(shí)現(xiàn)的？

通過(guò)一個(gè)內(nèi)核驅(qū)動(dòng)，為容器提供了虛擬的GPU設(shè)備，從而實(shí)現(xiàn)了顯存和算力的隔離；

通過(guò)用戶態(tài)輕量的運(yùn)行庫(kù)，來(lái)對(duì)容器內(nèi)的虛擬GPU設(shè)備進(jìn)行配置。

此外，還做到了無(wú)需替換CUDA靜態(tài)庫(kù)或動(dòng)態(tài)庫(kù)；無(wú)需重新編譯CUDA應(yīng)用；CUDA，cuDNN等版本隨時(shí)升級(jí)無(wú)需適配等特性。

如何使用？

目前，阿里云容器服務(wù)已經(jīng)支持cGPU容器組件。

登錄容器服務(wù)Kubernetes版控制臺(tái)，簡(jiǎn)單的點(diǎn)擊幾下，為容器節(jié)點(diǎn)打標(biāo)，就可以利用cGPU容器隔離，最大化的利用GPU的硬件能力了。

同時(shí)，還可以通過(guò)Prometheus的監(jiān)控能力查看每個(gè)cGPU容器內(nèi)的顯存用量，在享受低成本的同時(shí)，保障了應(yīng)用的可靠性。

此外，還開(kāi)放了阿里云GPU實(shí)例上使用cGPU容器的能力。cGPU依賴Docker和NVIDIA Docker，在使用cGPU前，請(qǐng)確保環(huán)境可以正常創(chuàng)建帶GPU的容器服務(wù)。

性能分析

使用方式了解了，那么就是性能問(wèn)題。

「cGPU容器方案會(huì)不會(huì)對(duì)性能有影響？有多少影響？」

以下有一組測(cè)試數(shù)據(jù)，供你參考。

這是在常用的tensorflow框架下用benchmark工具分別測(cè)試了模型推理和訓(xùn)練性能。

首先是單cGPU容器VS單GPU直通性能比較，分別在cGPU容器內(nèi)部以及標(biāo)準(zhǔn)的Docker容器內(nèi)部跑測(cè)試。

為cGPU容器內(nèi)的GPU實(shí)例分配所有的顯存和算力，來(lái)顯示在不共享GPU的情況下的cGPU是否有性能損失。

這是ResNet50訓(xùn)練測(cè)試在不同精度和batch_size下的性能比較，綠色柱表示標(biāo)準(zhǔn)的容器性能，橙色柱表示cGPU容器內(nèi)的性能。

可以看到在不同的情況下，cGPU容器實(shí)例都幾乎沒(méi)有性能損失。

然后是ResNet50推理測(cè)試在不同精度和batch_size下的性能比較。

同樣的，在不同的情況下，cGPU容器實(shí)例都幾乎沒(méi)有性能損失。

還有cGPU容器VS MPS容器GPU共享性能比較。

依然采用了ResNet50的訓(xùn)練和推理benchmark作為測(cè)試用例，分別用兩個(gè)cGPU容器和兩個(gè)MPS容器共享一個(gè)GPU硬件。

這是ResNet50訓(xùn)練測(cè)試在不同batch_size下的性能比較。

綠色柱表示兩個(gè)MPS容器性能跑分的總和，橙色柱表示兩個(gè)cGPU容器跑分的總和。

可以看到，cGPU容器實(shí)例對(duì)比MPS容器幾乎沒(méi)有性能損失，在大的batch_size的情況下甚至跑分高于MPS容器。

接著，就是ResNet50推理測(cè)試在不同batch_size下的性能比較。

結(jié)果顯示，MPS容器和cGPU容器的性能差距不大，基本都在誤差范圍之內(nèi)。

你覺(jué)得這一技術(shù)如何？

感興趣的話，可戳下方鏈接去試試哦～

容器服務(wù)Kubernetes版控制臺(tái)：

https://cs.console.aliyun.com/

詳細(xì)使用指南：

https://help.aliyun.com/document_detail/163994.html