面向非易失內存的MPI-IO接口優(yōu)化

鄧鎮(zhèn)龍，陳志廣

中山大學計算機學院，廣東 廣州 510006

1 引言

內存和外存的合理使用是大數據環(huán)境下計算機系統(tǒng)研究的重要內容。根據存儲介質的特性設計計算機的存儲架構、軟件，可在經濟的前提下得到更好的存儲性能。長期以來，快速的動態(tài)隨機存取存儲器（dynamic random access memory，DRAM）設備與大容量的外存設備的組合使用使得計算機可以在較低的成本下實現高速的計算以及大容量的數據存儲。但是，隨著計算機處理器的快速迭代，外存設備的性能成為數據密集型應用的性能瓶頸，訪問外存的I/O開銷成為計算機應用開銷的重要部分。在高性能計算（high performance computing，HPC）系統(tǒng)中，計算節(jié)點配備了高性能的處理器，但在訪問共享文件系統(tǒng)中的文件時，其I/O性能同樣受到底層存儲設備的限制。如何減小I/O開銷成為HPC系統(tǒng)設計的一個重要課題。

作為并行編程模型，消息傳遞接口（message passing interface，MPI）協(xié)議被廣泛應用在HPC系統(tǒng)中，在科學研究與工程仿真中，常使用MPI將模型數據分布到不同的節(jié)點上進行計算仿真。MPI的I/O模塊使用數據篩選（data sieving）以及聚合I/O（collective I/O）等優(yōu)化手段[1-2]，將進程需要的大量小粒度I/O經過聚合形成少量的大粒度I/O，從而減少文件系統(tǒng)的小粒度隨機訪問，降低應用的I/O開銷。但是，應用分布式地多次訪問同一文件時，需要多次向文件系統(tǒng)請求數據，其I/O性能仍然限制了應用的整體性能。如果可以在計算節(jié)點中建立并維護文件的緩存，使計算節(jié)點可以從緩存中獲取數據，則可進一步減小I/O開銷。

新型存儲介質的出現有助于實現這一設計。非易失內存（non-volati le memory，NVM）具有可按字節(jié)尋址、數據可持久性、容量大等特點，且其帶寬、時延接近DRAM；Intel Optane DC PMM（persistent memory module）存儲器是以3D Xpoint為介質的雙列直插式存儲模塊（dual inline memory module，DIMM）接口非易失存儲設備。非易失內存兼顧傳統(tǒng)內存、外存的優(yōu)點，將改變計算機的存儲架構設計，有望被配備在HPC系統(tǒng)中的每一個計算節(jié)點上。使用非易失內存部署計算節(jié)點上的緩存，可在較低成本下獲得優(yōu)秀的緩存性能。本文研究如何優(yōu)化MPI-IO接口，使應用可以在NVM設備上建立、維護并使用數據緩存，以充分發(fā)揮NVM設備的優(yōu)秀性能，并降低應用的I/O開銷。

為了實現對非易失內存的管理與利用、對文件數據緩存的管理與訪問，本文設計并實現了面向非易失內存的MPI-IO接口優(yōu)化（NVMPI-IO）。本文的工作主要包括：

● 修改MPI-IO接口，截取應用對底層共享文件系統(tǒng)的訪問，并將其轉化為對計算節(jié)點內或計算節(jié)點之間的非易失緩存的訪問；

● 在非易失內存中建立并維護緩存數據，使計算節(jié)點之間的緩存一致且有效，使應用失效重啟后可以快速地從非易失內存中恢復有效數據；

● 通過多種優(yōu)化，降低維護、訪問緩存的開銷；

● 最后給出一個原型系統(tǒng)，并對其進行實驗，實驗表明，此系統(tǒng)可以有效地管理、應用非易失內存，并使MPI應用獲得性能提升。

使用NVMPI-IO，MPI應用無須進行修改，即可通過MPI-IO中間件將非易失內存作為數據緩存，實現對文件緩存的分布式訪問，從而減少I/O開銷，并減輕共享文件系統(tǒng)的負載；同時，在非易失內存中維護元數據，使程序在崩潰重啟后可以快速恢復數據，并繼續(xù)運行。

2 應用現狀

2.1 MPI應用的文件訪問模式

MPI是基于消息傳遞的并行編程模型，可使多個節(jié)點中的多個進程合作完成同一個計算任務，達到并行加速的目的。MPI被廣泛地應用在科學研究與工程仿真中，常見的MPI實現包括Intel MPI、OpenMPI、MPICH等。

使用MPI的應用在訪問文件時顯示出以下訪問特征。

● 多個進程同時訪問同一文件的不同部分。研究物理模型或工程結構的MPI應用在進行計算前，首先需要準備模型文件，多個進程將同時利用模型文件上的數據進行計算，如每個進程讀取多維矩陣的不同部分；進程間按需通信，并將計算結果寫回文件的相應位置。

● MPI-IO使用聚合I/O與數據篩選技術，將多個進程需要的大量小粒度數據聚合成少量的大粒度數據，避免了小粒度的文件數據訪問。

● MPI標準不對文件數據進行緩存。MPI應用在訪問文件時可能對同一文件進行多次讀寫，且每次讀寫的位置可能不一致；同時，多個進程對文件的并行訪問容易使節(jié)點內緩存失效；內存的空間有限，而工程模型的數據量可根據工程的精度呈指數型增大，將大量的文件數據緩存到內存可能影響計算效率；在允許直接輸入輸出（direct I/O）的文件系統(tǒng)（如XFS、Lustre）中，MPI建議使用直接輸入輸出，以避免操作系統(tǒng)的緩存。

● MPI應用應周期性地寫出檢查點（checkpoint）文件[3]。大型工程仿真項目可能需要多個節(jié)點同時長時間運行，若其中某個節(jié)點出現故障導致作業(yè)失敗，仿真項目需要重新進行；為了避免過多的重復工作，MPI應用應周期性地輸出檢查點文件，若作業(yè)失敗，則從最近的有效檢查點開始繼續(xù)計算。同時，檢查點文件可用于仿真的可視化輸出。寫檢查點文件時，進程需要暫停計算任務，或將文件數據復制一份，以避免數據不一致。

● MPI應用多進程對文件進行訪問有顯著的同步特性。數據庫、文件系統(tǒng)等會在任何時間點接收來自多個客戶端的數據請求，若有分布式的緩存，則需要隨時保證數據的一致性；MPI應用的多個進程在訪問同一文件時，多個進程同時訪問數據，當這一階段完成后，進程之間需同步進度后再進行下一階段的訪問。MPI應用多進程的同步避免了寫后讀等數據不一致的問題，可用于簡化緩存的設計。

基于上述的MPI應用的數據訪問特征，在計算節(jié)點上部署非易失緩存有利于MPI應用的性能提升。利用非易失內存容量大、帶寬高、可按字節(jié)尋址等特點，在非易失內存上部署緩存層不占用高效的DRAM空間，并將緩慢的文件訪問轉變?yōu)楦咚俚姆且资却嬖L問，可提高MPI應用的性能，同時可減少底層文件系統(tǒng)的負載。

2.2 NVM設備的特性與應用

計算機使用容量更大的塊設備（如固態(tài)硬盤（solid-state disk，SSD）和磁盤（hard disk drive，HDD）等）存儲持久性的數據；使用速度更快的字節(jié)尋址設備（如DRAM內存等）存儲程序運行產生的數據，包括進程數據、堆?？臻g等。DRAM與SSD/HDD的結合使得計算機可以在較低的成本下實現快速運行。非易失內存的性能介于兩者之間，并同時具備兩者性能的優(yōu)點。在多線程訪問下，Intel Optane DC PMM的順序讀寫帶寬最高可達約35 GB/s，約為DRAM的1/3；同時其隨機讀取的時延約為305 ns，僅為DRAM的3倍[4-5]。

非易失內存具備良好的綜合性能，以及可持久性的特性，使多種應用得以重新被設計。Volos H等人[6]為了在非易失內存設備上創(chuàng)建和管理內存空間、保證數據的一致性，設計了輕量級的非易失內存編程模型Mnemosyne。Coburn J等人[7]設計并實現了非易失內存上的對象模型NV-Heaps?；诜且资却婵砂醋止?jié)尋址、容量大、數據可持久化的特點，文件系統(tǒng)[8-10]可被部署在非易失內存之上。Xu J等人[11]設計了DRAM與非易失內存混合的日志結構文件系統(tǒng)NOVA。NOVAFortis[12]在NOVA文件系統(tǒng)的基礎上加入了容錯措施，如快照、副本、檢驗和、RAID-4奇偶校驗等。Path Hashing[13]、Level Hashing[14]索引結構在邏輯上采用樹形結構，物理上哈希表為一個數組；通過優(yōu)化哈希沖突時的插入策略以及插入失敗后的重哈希策略，達到減少隨機寫的目的。在分布式場景中，Octopus[15]是基于遠程直接數據存取（remote direct memory access，RDMA）的分布式NVM文件系統(tǒng)，此文件系統(tǒng)中包括客戶端與數據服務器；其中所有文件的元數據分布在不同的數據服務器上，同一文件的元數據及其數據塊分布在同一數據服務器中。與Octopus不同，Orion文件系統(tǒng)[16]部署了元數據服務器、客戶端與數據存儲。此外，NVMD[17]利用NVM的密度高、空間大、性能高等特點，結合RDMA技術，重構了MapReduce框架，可加速基于有向無環(huán)圖（directed acyclic graph，DAG）的MR作業(yè)的執(zhí)行。

但是，以上非易失文件系統(tǒng)、哈希索引等都將長期占用非易失內存設備，若其中低熱度的數據長期實體化在非易失內存上，則非易失內存設備的優(yōu)秀性能不能得到充分的利用。

3 系統(tǒng)設計

3.1 設計目的

面向非易失內存的MPI-IO接口優(yōu)化被應用在HPC系統(tǒng)中，其修改MPI-IO模塊接口以管理非易失內存的空間及訪問形式。NVMPI-IO在MPI運行時初始化，并向操作系統(tǒng)申請NVM空間，當作業(yè)結束后釋放NVM資源，使NVM資源可供其他應用使用。NVMPI-IO采用簡單而有效的方法獲得了以下優(yōu)點。

● NVM設備的非獨占使用：NVMPI-IO在運行時，只按需占用NVM的部分空間，其他應用仍可以使用該設備進行其他作業(yè)。作業(yè)結束后，NVMPI-IO立即釋放NVM資源，使其可以被更高效地利用。

● 數據一致性：NVMPI-IO隨MPI程序的運行而運行，每個MPI進程維護文件的部分緩存數據及相應的元數據；通過維護元數據保證緩存數據的一致性。

● 后臺寫回：MPI應用周期性地寫出checkpoint文件，引起大量的數據寫回。NVMPI-IO允許數據的后臺寫回，可在寫回過程同時進行計算任務。

● MPI應用的快速重啟：若MPI應用中某個進程失效引起整個程序的崩潰，在NVM設備上仍然存在有效的數據；使用NVMPI-IO，MPI應用重啟后，可以在NVM中快速恢復數據，實現快速的重啟。

● 高可移植性：MPI可以在不同計算機架構、操作系統(tǒng)上正常工作；NVMPI-IO繼承了MPI的高可移植性。同時，NVMPI-IO不修改提供給上層應用的應用程序接口（application programming interface，API），現有的MPI應用不需要做任何修改即可在此系統(tǒng)上運行。

NVMPI-IO部署在HPC系統(tǒng)中，需對HPC系統(tǒng)的軟硬件做相應的調整。

3.2 軟硬件組織

NVMPI-IO在傳統(tǒng)HPC集群組織中引入NVM設備。在傳統(tǒng)HPC集群中，計算節(jié)點通過網絡與共享的存儲系統(tǒng)相連，計算節(jié)點從存儲系統(tǒng)中獲得數據，并對數據進行加工處理；同時，計算節(jié)點之間通過TCP/IP網絡或RDMA技術進行通信。如圖1（a）所示，NVMPI-IO在每個計算節(jié)點中部署NVM設備，同時保持共享存儲系統(tǒng)的設計不變；節(jié)點間通信沿用傳統(tǒng)HPC系統(tǒng)中的網絡傳輸，若配備了RDMA網絡，則可以使用RDMA直接訪問其他節(jié)點的非易失內存。

NVMPI-IO為MPI應用服務，同時也利用了MPI定義的通信過程。一個典型的HPC應用包含多個MPI進程，其中每個進程使用MPI定義的接口與其他進程進行消息傳遞，使用MPI-IO模塊對底層存儲系統(tǒng)進行數據訪問。本系統(tǒng)保留MPI-IO的聚合I/O與數據篩選優(yōu)化，這些優(yōu)化將上層應用需要的小粒度I/O整合成大粒度的I/O，避免了數據的小粒度隨機訪問。如圖1（b）所示，本系統(tǒng)部署在MPI-IO中間件中，截取MPI-IO對文件的系統(tǒng)調用，并按需轉發(fā)為非易失內存的數據維護、訪問。NVMPI-IO在部署時，首先需要在NVM設備上掛載可以直接訪問（direct access，DAX）的文件系統(tǒng)。在NVM設備上掛載DAX文件系統(tǒng)可使應用直接通過指針訪問NVM上的數據。具體地，進程使用內存映射（memory map）技術將文件系統(tǒng)中的文件映射到應用的進程空間中，進程可以通過指針直接修改NVM，而不是修改操作系統(tǒng)的內核緩存（kernel cache）。此外，NVMPI-IO使用MPI定義的消息傳遞API與其他節(jié)點進行通信，使用POSIX API與底層文件系統(tǒng)進行數據的維護和訪問。

圖1 NVMPI-IO 的集群組織和軟件架構

4 設計與實現

為了優(yōu)化MPI-IO對文件的訪問，并管理和利用NVM設備，本系統(tǒng)將文件數據緩存到NVM設備上，并允許進程通過內存映射的指針對NVM上的數據進行直接訪問。NVMPI-IO將管理NVM上的文件數據及其元數據，并通過維護元數據來保證數據的正確訪問。

4.1 數據布局

如圖2所示，NVMPI-IO將NVM設備的空間在邏輯上分為兩部分：數據塊池和對象池。數據塊池被劃分為大小相同的塊，用于緩存文件數據，如一個模型文件中多維矩陣的一部分；對象池用于存儲大小各異的各種數據結構，用戶可以申請空間存放持久性的數據，包括用于管理數據塊池及緩存文件的數據等。

本系統(tǒng)中，每個進程維護一個數據塊池及對象池。其中，各個進程的數據塊池在邏輯上是一個整體，在配備了RDMA網絡的環(huán)境中，進程可以通過進程編號、數據塊編號直接訪問其他進程的數據塊池。

在初始化時，每個進程首先向操作系統(tǒng)申請NVM的空間，用于創(chuàng)建數據塊池與對象池。在對象池中，進程在該空間的起始地址創(chuàng)建并維護一個根對象，使對象池中的其他數據均可經過根對象直接或間接可達。根對象包含用于描述數據塊池的位圖和空閑隊列、本進程已緩存文件的列表，其中緩存文件的列表可以索引各個文件及其緩存的元數據。元數據描述了數據緩存的位置及其狀態(tài)。

應用使用NVMPI-IO打開一個文件時，相關的進程首先構建緩存的元數據：根據文件的大小，文件在邏輯上被劃分為固定大小的塊，各個進程互斥地成為這些數據塊的管理者，即數據緩存的元數據將分布到不同的進程中。管理者將維護相應數據塊的元數據。當文件中某個數據塊被訪問時，其數據將會被遷移到數據塊池中。使用分布式的元數據及緩存數據避免了多進程間出現負載不均的情況。

4.2 數據維護與訪問

NVMPI-IO將文件數據緩存到不同進程、不同節(jié)點的NVM空間中，為了使進程可以準確地訪問所需的數據，本系統(tǒng)務必正確地管理、維護元數據信息。針對文件中的每一個塊，稱維護該數據塊元數據的進程為管理者，稱緩存該塊數據的進程為所有者，稱需要訪問該塊數據的進程為請求者。其中，管理者由該塊在文件中的位置確定；對于一個數據塊，一個進程可以同時承擔上述多種角色。

圖2 NVMPI-IO 非易失內存中的數據布局

如圖3所示，當請求者需要訪問某塊數據時，其需要先查詢元數據，再進行文件數據的傳輸。在向管理者發(fā)送元數據查詢請求之前，請求者使用預更新（pre update）方案，首先準備空閑的數據塊，將其編號組裝到查詢信息當中，一并發(fā)送至管理者。當收到管理者返回的信息后，請求者獲得數據緩存的狀態(tài)，向數據所有者發(fā)送信息，并按需交換數據，完成應用的需求。

管理者負責管理、維護數據塊的元數據。NVMPI-IO將文件在邏輯上進行分塊，通過輪詢調度（round-robin）策略將數據塊的管理權分配到各個進程，以緩解負載不均帶來的影響；請求者可通過取模運算獲得數據塊的管理者編號。管理者在查詢元數據的同時，需要維護元數據，使其始終有效。MPI語義規(guī)定，應用訪問文件數據時上一次文件訪問已經完成，這使得對元數據的維護可以延遲到下一階段文件訪問之前完成。管理者在接收到元數據查詢請求后，首先使用延遲提交（late commit）方案，提交上一次文件訪問引起的元數據變化，并將新的元數據記錄下來，待下一階段再實體化到NVM中；若不使用延遲提交而在元數據變化后馬上更新，則會額外增加一次數據交換，帶來更大的網絡開銷。管理者完成延遲提交之后，查詢元數據，找到數據的緩存狀態(tài)，將其緩存位置及狀態(tài)返回至請求者。若數據塊尚未被緩存，管理者任命某個請求者為該塊數據的所有者，并將緩存狀態(tài)發(fā)送至該數據塊的其他請求者；使用預更新方案時，允許在多個請求者同時請求一個未被緩存的數據塊時，不額外引入“任命數據塊的所有者”帶來的網絡開銷。

所有者負責數據的存取。其收到請求者發(fā)送的數據請求時，該數據塊未必已經被緩存在非易失緩存中。若數據塊未被緩存，所有者需首先使用POSIX API從文件系統(tǒng)中讀取數據，并將其緩存到預更新時指定的數據塊中。所有者利用數據在緩存中的地址（指針），直接與請求者進行數據交換。同時，所有者需要維護一個文件數據塊到緩存地址的索引，這樣既可快速找到數據塊的地址，又可在應用需要關閉文件時，使用POSIX API將有效的緩存寫回到共享文件系統(tǒng)中。

NVMPI-IO使用預更新與延遲提交兩種優(yōu)化手段，在維持MPI-IO操作的語義不變的同時，盡可能地減少節(jié)點之間的數據傳輸，并有效地維護文件緩存的元數據。此外，相比使用塊粒度寫數據，使用數據地址直接傳輸數據可以有效地減小寫放大，同時避免非必要的數據組裝及傳輸。

使用分布式的非易失內存時務必維護數據的分布式一致性[18]。NVMPI-IO在節(jié)點內部使用持久性的可撤銷日志（undolog）來維護數據一致性，當進程出錯重啟后，進程從持久性日志中恢復原始數據。在節(jié)點之間，進程在延遲提交過程更新本地的元數據時進行通信；若存在更新元數據失敗的進程，則撤銷相關進程的更新操作，以維護數據的分布式一致性。

圖3 進程訪問文件數據塊的架構

4.3 數據傳輸路徑

在傳統(tǒng)MPI應用的設計中，若應用需要多次訪問同一個文件，則其向文件系統(tǒng)發(fā)出多次數據訪問的請求，數據在底層的共享文件系統(tǒng)與計算節(jié)點之間反復遷移，引起計算節(jié)點的大量I/O開銷以及底層文件系統(tǒng)的大量負載。NVMPI-IO將數據緩存至計算節(jié)點內的NVM設備中，將對底層文件系統(tǒng)的訪問轉化為對本地或其他節(jié)點上NVM的訪問，即將中心化傳輸與慢速的磁盤訪問轉化為分布式的網絡傳輸與低時延高帶寬的NVM訪問。本系統(tǒng)僅在首次讀取數據以及關閉文件寫回數據時對文件系統(tǒng)進行訪問，即對于同一文件，最多發(fā)生兩次文件系統(tǒng)讀寫，采用這一策略縮短了計算節(jié)點訪問數據的時間，并減小了底層文件系統(tǒng)的I/O負載。

5 效果評估

5.1 實驗環(huán)境

為了驗證本系統(tǒng)設計的有效性，搭建了實驗平臺用于對比實驗。實驗平臺包含4個計算節(jié)點及一個共享的存儲系統(tǒng)，其中每個計算節(jié)點配備Intel Xeon Gold 6230N處理器、6×32 GB DRAM、2×128 GB Intel Optane DC PMM，所有節(jié)點運行CentOS7.6系統(tǒng)（Linux內核版本3.10.0-957），共享的存儲系統(tǒng)將HDD作為存儲設備，掛載了Lustre-2.10文件系統(tǒng)。NVMPI-IO的原型系統(tǒng)在MPICH（v3.2.1）中實現，同時實驗對照組運行MPICH（v3.2.1）。

5.2 實驗設計

本文采用對比實驗驗證本方案的有效性。為了模擬MPI應用的文件訪問模式，并最大化MPI-IO的I/O優(yōu)化效果，實驗組與對照組均需滿足以下條件。

● 打開DIRECT I/O開關，即允許進程使用direct I/O直接從文件系統(tǒng)中讀取數據，而不將數據緩存到操作系統(tǒng)的緩沖區(qū)中。

● 避免粒度較小的文件訪問。MPI-IO使用聚合I/O與數據篩選的優(yōu)化手段，將進程需要的小粒度數據經過節(jié)點之間的消息傳遞，組合成大粒度的數據，再向文件系統(tǒng)發(fā)起I/O請求，避免了小粒度的隨機訪問；實驗中使用16 KB的粒度順序地讀寫文件，以模擬這一訪問模式。

● 對同一文件進行多次讀寫，比較訪問非易失緩存和訪問底層文件系統(tǒng)的性能。

本實驗使用不同數量的MPI進程對同一文件進行多次順序讀寫，比較MPICH與NVMPI-IO的性能差異。根據MPI應用的特點，本實驗只研究系統(tǒng)訪問文件數據的帶寬。

5.3 實驗效果

如圖4所示，MPI應用訪問文件時，若使用16 KB的粒度對文件重復讀取，負載較輕，不會達到存儲設備的性能瓶頸。隨著進程數量增加，存儲設備的性能得到體現，NVMPI-IO的吞吐率超過1 300 MB/s，是相同進程數量下MPICH訪問文件的吞吐率的2.87倍。

圖4 不同進程數下應用讀取數據的吞吐率

圖5 不同數量的節(jié)點、進程下，應用寫入數據的吞吐率

如圖5所示，對文件進行重復寫入時，M P I C H 寫入文件系統(tǒng)的性能較低，而NVMPI-IO的吞吐率保持在較高狀態(tài)。在MPICH中，所有進程在同一節(jié)點與進程分布在4個節(jié)點時吞吐率相近，是因為在本實驗的訪問模式下，進程直接訪問文件系統(tǒng)，而進程之間未發(fā)生文件數據的收發(fā)，沒有引入開銷；隨著進程數量增加，訪問文件的吞吐率提升，這說明當前并行度下未達到Lustre文件系統(tǒng)的性能瓶頸。在NVMPI-IO下，吞吐率保持在較高水平，是相同條件下不使用緩存的20倍以上；但是，相同數量的進程運行在4個節(jié)點上時，由于管理、訪問數據緩存引入了跨節(jié)點的網絡開銷，其性能低于進程運行在同一節(jié)點上的情況；同時，由于Intel Optane DC PMM的并行性能不理想，在并行寫入數據時性能會出現明顯下降[4-5]，當節(jié)點內進程數量從8增加到16后，系統(tǒng)的吞吐率出現下降。未來可使用更多的非易失內存DIMM，以提高系統(tǒng)訪問非易失內存的并行性。

實驗結果顯示，面向非易失內存的MPI-IO接口優(yōu)化盡管受到NVM設備并行性不理想、引入了節(jié)點間的網絡開銷等問題的影響，仍可使應用獲得顯著的性能提升。

6 結束語

本文針對MPI應用訪問文件的模式，利用非易失內存設備的可按字節(jié)尋址、數據可持久化、讀寫性能優(yōu)秀等特點，設計了面向非易失內存的MPI-IO接口優(yōu)化方案。NVMPIIO被透明地部署在MPI-IO中間件中，具備非獨占使用NVM、高可移植性、可快速恢復程序運行狀態(tài)等優(yōu)點，為MPI應用提供文件的分布式緩存，在應用重復訪問文件數據時，為應用帶來顯著的性能提升。針對NVMPI-IO現存的不足，未來可著力于解決NVM設備的并行訪問問題，并嘗試使用RDMA網絡加速節(jié)點之間的數據傳輸，以降低節(jié)點間的網絡開銷。