阿里公开自研AI集群细节：64个GPU，百万分类训练速度提升4倍
本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
从节点架构到网络架构，再到通信算法，阿里巴巴把自研的高性能AI集群技术细节写成了论文，并对外公布。
论文名为EFLOPS: Algorithm and System Co-design for a High Performance Distributed Training Platform，被计算机体系结构顶级会议HPCA 2020收录。阿里是国内唯一有论文收录的企业，论文作者之一、阿里资深技术专家蒋晓维在会议现场分享了论文内容。
除了展示AI集群技术细节，他还介绍了其如何为阿里巴巴内部业务和算法带来价值。这一集群已应用于阿里巴巴计算平台的人工智能训练平台（PAI），服务阿里巴巴的人工智能业务的模型训练：
能将拍立淘百万分类大模型的训练速度提升4倍，并首次支持千万分类模型的训练；在提升阿里巴巴翻译模型精度的同时，能将训练时间从100小时降低至12小时。
而且与世界顶级的AI计算系统相比，阿里的AI集群虽然使用了性能较低的硬件资源，但表现出了相当的性能。
这是阿里巴巴首次对外披露高性能AI集群的性能，具体情况如何？我们根据阿里研究团队提供的解读一一来看。
从业务出发，优化AI集群架构
由于深度神经网络的技术突破，围绕AI的技术研究，如AI算法模型、训练框架、以及底层的加速器设计等，引起越来越多的关注，而且应用越来广泛，已经落地到社会生活的各个方面。
“然而极少有人从集群架构角度探究过，AI业务的运行模式与传统大数据处理业务的差别，以及AI集群的架构设计应该如何优化，“阿里研究团队表示。
他们认为，虽然AI业务存在很强的数据并行度，但与大数据处理业务和高性能计算业务特征存在明显的不同。核心差别有两点：
第一，AI业务的子任务独立性很低，需要周期性地进行通信，实现梯度的同步；第二，AI业务的运行以加速部件为中心，加速部件之间直接通信的并发度显著高于传统服务器。
因此，在传统数据中心的服务器架构和网络架构上运行AI业务，会存在很多严重的问题。
具体来说，服务器架构问题，主要是资源配置不平衡导致的拥塞问题，以及PCIe链路的QoS问题。
一般情况下，传统服务器配备一张网卡用于节点间通信，为了支持AI业务会配置多个GPU。
但AI训练经常需要在GPU之间进行梯度的同步，多GPU并发访问网络，唯一的网卡就会成为系统的瓶颈。
此外，PCIe链路上的带宽分配与路径长度密切相关，长路径获得的带宽分配较低，而跨Socket通信的问题更加严重。
网络架构问题，主要在于AI训练中同步通信导致的短板效应。网络拥塞本是一个非常普遍的问题，相关研究已经持续了几十年。
但拥塞控制算法的最终目的，在于对两个碰撞的流进行限速，使其尽快达到均分物理带宽的目的，并不能解决AI训练集群的通信效率问题。
由于AI业务通信的同步性，每个通信事务的最终性能决定于最慢的连接。均分带宽意味着事务完成时间的成倍提升，会严重影响AI通信的性能。
基于此，阿里巴巴决定为AI业务自研高性能AI集群。
阿里AI集群的关键技术
阿里巴巴自研的高性能AI集群名为EFlops，关键技术一共有三个：网络化异构计算服务器架构、高扩展性网络架构、与系统架构协同的高性能通信库。
为了避免网卡上的数据拥塞，他们为每个GPU提供专用的网卡，来负责与其他GPU的通信。
此外，基于Top-of-Server的设计思想，将节点内加速器之间的通信导出到节点外，并利用成熟的以太网QoS机制来保证拥塞流量之间的公平性。
研究团队认为，随着加速器芯片计算能力的快速提升，对通信性能提出越来越高的需求，这种多网卡的网络化异构计算服务器架构将很快成为主流。
在网络架构层面，EFlops设计了BiGraph网络拓扑，在两层网络之间提供了丰富的链路资源，提供了跨层路由的可控性。
配合多网卡服务器结构，他们在EFlops项目中提出了BiGraph网络拓扑，其与传统的Fat-tree拓扑有相似之处，也存在根本的区别。
与Fat-tree拓扑类似的地方在于，他们将网络中的分为两部分（Upper和Lower），各部分之间通过Clos架构进行互连，形如两层Fat-tree拓扑的Spine和Leaf交换机。
与Fat-tree不同的是，他们在两部分交换机上都可以直接接入计算服务器；即每一个交换机都扮演了Fat-tree拓扑中的Spine和Leaf两个角色，最大跳步数为3。
也给BiGraph拓扑带来了两个重要的特性：
一方面，在两层交换机之间提供了丰富的物理链路资源。在N个计算服务器的系统中，两层交换机之间至少存在着N/2个物理链路可供使用。另一方面，接入不同层次的任意两个计算服务器之间的最短路径具有唯一性。
因此，他们可以充分利用这一特性，在通信库甚至更高层次进行服务器间通信模式的管理。比如，在建立连接的时候，选择合适源和目的服务器，来控制网络上的路径选择。
想要说清楚这一点，需要引入一个新的概念：Allreduce——数据并行训练场景下的最主要集合通信操作。
其中常用的通信算法有Ring-based（Ring）、Tree-based（Tree）和Halving-Doubling（HD）等。
在阿里巴巴的这篇论文中，主要关注的是Ring和HD，前者是应用范围最广的算法之一，后者是他们在这一研究中的优化对象。
Ring和HD算法在数据传输量上没有区别，都是2S；其中S是Message的大小。从通信次数角度看，Ring算法需要N-1个Step的通信，而HD算法只需要log2N个Step；其中N是参与节点个数。
而Ring算法只需要N个连接，而HD算法需要N*log2N个连接。需要特别指出的是，HD算法的每个Step只需要N/2个连接。
结合BiGraph拓扑的特性进行分析，可以看到：BiGraph拓扑两层交换机之间存在N/2个物理链路，而HD算法每个step需要N/2个连接。
BiGraph拓扑两层交换机之间最短路径的确定性，提供了一种可能性：将HD算法的连接和BiGraph拓扑的物理链路进行一一映射，避免它们之间的链路争用，以彻底解决网络拥塞问题。
基于此，他们也进一步提出了Rank映射算法，将HD算法的通信连接一一映射至BiGraph网络的物理链路，避免了网络的拥塞，该算法Halving-Doubling with Rank-Mapping（HDRM）已经在阿里定制的集合式通信库ACCL实现。具体步骤如下：
如此集群，性能如何？
为了评估EFlops系统的性能，他们部署了16个节点，共计64个GPU的训练集群。其中每个节点配置了4个Tesla V100-32G的GPU，以及4个ConnectX-5 100Gbps网卡。
网络环境按照BiGraph拓扑进行设计，其中8个物理交换机划分为16个虚拟交换机，分别部署于BiGraph的两层。
研究团队用MLPerf的ResNet50模型评估了集群性能，具体方式是在达到指定准确率之后，计算单位时间图片处理数量。
下图呈现了EFlops系统和单网卡系统的性能对比，包括全系统吞吐量和单GPU平均吞吐量。
可以看到，EFlops系统的性能基本达到了线性扩展，而单网卡系统的单位吞吐量明显随着规模逐步下降。
与世界顶级的AI计算系统相比，EFlops虽然使用了性能较低的硬件资源（V100-PCIe性能低于V100-SXM2约10%）也表现出了相当的性能。
此外，他们还分析了阿里巴巴内部应用的性能收益。以拍立淘百万分类模型为例，EFlops系统可以提升通信性能5.57倍，端到端性能34.8%。
因为通信量占比不高，HDRM算法提升通信性能43.5%，整体性能4.3%。对BERT模型而言，通信量明显高于拍立淘百万分类模型，仅HDRM算法就可以提升通信性能36%，端到端性能15.8%。
研究团队表示，可以预见，随着系统规模进一步增长，EFlops的性能收益将显著提升。基于64节点集群的收益，他们进一步搭建了512 GPUs的高性能AI训练集群。
初步的评测结果显示，基于ImageNet训练集，在Resnet50模型上，EFlops集群仍然能保持接近线性的扩展性。
阿里巴巴基础设施团队打造
EFlops集群一共有17名阿里的技术专家参与打造，大多来自阿里巴巴基础设施团队，平头哥团队提供支持。
论文的第一作者是董建波，毕业于中科院计算所，现在是阿里巴巴高级技术专家。论文的通讯作者是谢源——阿里巴巴达摩院高级研究员、平头哥首席科学家。