基于“碳中和”的高性能計(jì)算集群組網(wǎng)建設(shè)方法探析

陳 陽(yáng)， 陳堅(jiān)澤

（廣東液冷時(shí)代科技有限公司，佛山 528000）

0 引言

2021 年3 月13 日，新華社公布了《中華人民共和國(guó)國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和2035 年遠(yuǎn)景目標(biāo)綱要》（以下簡(jiǎn)稱《綱要》），《綱要》指出以人工智能為代表的新一代信息技術(shù)，將成為我國(guó)“十四五”期間推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展、建設(shè)創(chuàng)新型國(guó)家，實(shí)現(xiàn)新型工業(yè)化、信息化、城鎮(zhèn)化和農(nóng)業(yè)現(xiàn)代化的重要技術(shù)保障和核心驅(qū)動(dòng)力之一［1］。圍繞國(guó)家人工智能戰(zhàn)略布局和產(chǎn)業(yè)發(fā)展需求，各地政府積極建設(shè)人工智能技術(shù)支撐平臺(tái)，如人工智能基礎(chǔ)研究［2］、智慧交通［3］、區(qū)塊鏈金融、物聯(lián)網(wǎng)技術(shù)［4］等，同時(shí)啟動(dòng)智慧城市大數(shù)據(jù)平臺(tái)［5］等建設(shè)，為人工智能研究和應(yīng)用提供健全完善的基礎(chǔ)平臺(tái)服務(wù)。這些平臺(tái)建設(shè)對(duì)基礎(chǔ)計(jì)算算力提出了更高的要求，亟需建設(shè)一個(gè)高性能計(jì)算服務(wù)器集群公共服務(wù)平臺(tái)，為人工智能技術(shù)支撐平臺(tái)以及人工智能科學(xué)研究提供高性能、高通量的算力科研保障。同時(shí)，高計(jì)算平臺(tái)也意味著需要更高的能耗才能支撐高算力，在國(guó)家“碳中和”的政策下，如何利用新型技術(shù)，解決高性能數(shù)據(jù)中心所帶來(lái)的高能耗問(wèn)題也是建立高性能數(shù)據(jù)中心的潛在研究問(wèn)題。

本文以華南某科研機(jī)構(gòu)建立高性能計(jì)算服務(wù)器集群建設(shè)項(xiàng)目為例，重點(diǎn)介紹高性能計(jì)算服務(wù)器集群建設(shè)中的高性能計(jì)算集群、節(jié)能建設(shè)、分布式存儲(chǔ)集群、高性能計(jì)算網(wǎng)絡(luò)等方案建設(shè)內(nèi)容，并討論高性能計(jì)算服務(wù)器集群管理需求以及相應(yīng)管理方法。

1 高性能計(jì)算服務(wù)器集群建設(shè)

華南某科研機(jī)構(gòu)在前期投資建設(shè)項(xiàng)目中已基本完成實(shí)驗(yàn)室數(shù)據(jù)中心基礎(chǔ)條件建設(shè)，包括完成基礎(chǔ)機(jī)房環(huán)境、電氣系統(tǒng)、基礎(chǔ)綜合布線鋪設(shè)等方面的建設(shè)，現(xiàn)針對(duì)人工智能關(guān)鍵技術(shù)攻關(guān)的算力需求，搭建十個(gè)小型計(jì)算集群，每個(gè)計(jì)算小型集群配置算力1PFLOPS 計(jì)算資源，構(gòu)建一個(gè)柔性的高性能計(jì)算集群，同時(shí)采用液冷散熱技術(shù)提升集群服務(wù)器散熱問(wèn)題，減少空調(diào)機(jī)組裝配，實(shí)現(xiàn)“碳中和”節(jié)能目標(biāo)。

圖1 高性能計(jì)算服務(wù)器集群建設(shè)機(jī)柜置放示意圖

下面從高性能計(jì)算集群、節(jié)能建設(shè)、分布式存儲(chǔ)集群、高性能計(jì)算網(wǎng)絡(luò)等方面闡述高性能計(jì)算服務(wù)器集群建設(shè)內(nèi)容。

1.1 高性能計(jì)算集群方案

高性能計(jì)算集群建設(shè)基于高性能計(jì)算（High Performance Computing, HPC）技術(shù)基礎(chǔ)構(gòu)建計(jì)算集群平臺(tái)，其中十臺(tái)管理服務(wù)器，分別用于管理十個(gè)集群，同時(shí)配備兩臺(tái)管理服務(wù)器，用于做統(tǒng)一集群管理。高性能計(jì)算集群總體業(yè)務(wù)架構(gòu)分為以下四層遞進(jìn)建設(shè)。

（1）基礎(chǔ)設(shè)施層：利用已建成的模塊，方便快速組裝，本項(xiàng)目在現(xiàn)有機(jī)房基礎(chǔ)設(shè)施上部署服務(wù)器集群、搭建高性能存儲(chǔ)集群、搭建內(nèi)部集群網(wǎng)絡(luò)。

（2）平臺(tái)核心集群模塊：搭建核心GPU 計(jì)算集群、分布式存儲(chǔ)集群、高性能運(yùn)算網(wǎng)絡(luò)。計(jì)算方面，搭建高性能GPU 計(jì)算服務(wù)器集群，支撐高密度算力運(yùn)算需求；存儲(chǔ)方面，搭建分布式海量存儲(chǔ)集群，支撐海量數(shù)據(jù)高吞吐訪問(wèn)及高容量存儲(chǔ)；網(wǎng)絡(luò)方面，搭建高速運(yùn)算網(wǎng)絡(luò)、高速存儲(chǔ)網(wǎng)絡(luò)、管理網(wǎng)路。

（3）硬件上構(gòu)建核心軟件中臺(tái)：主要實(shí)現(xiàn)集群管理與作業(yè)調(diào)度功能，其中，集群管理通過(guò)安裝部署集群管理軟件，構(gòu)建服務(wù)器集群體系，實(shí)現(xiàn)算力資源虛擬化管理；作業(yè)調(diào)度則在集群基礎(chǔ)上部署作業(yè)調(diào)度管理軟件，構(gòu)建算力資源調(diào)度體系，實(shí)現(xiàn)算力資源彈性調(diào)度管理。

（4）算力業(yè)務(wù)應(yīng)用層：通過(guò)構(gòu)建高性能計(jì)算開放平臺(tái)，對(duì)各用戶提供適用于各種運(yùn)算業(yè)務(wù)的運(yùn)算資源和數(shù)據(jù)，如大數(shù)據(jù)計(jì)算、基因測(cè)序、多模態(tài)數(shù)據(jù)模型、圖像識(shí)別等。

1.2 節(jié)能建設(shè)方案

從最新的國(guó)家政策導(dǎo)向可知，數(shù)據(jù)中心低碳節(jié)能已經(jīng)是數(shù)據(jù)中心建設(shè)和運(yùn)營(yíng)很重要的一個(gè)指標(biāo)，數(shù)據(jù)中心節(jié)能降耗成為國(guó)家“碳中和”“碳達(dá)峰”戰(zhàn)略的重要一環(huán)。因此，基礎(chǔ)計(jì)算平臺(tái)建設(shè)應(yīng)該滿足IDC能耗政策要求。

本次高性能計(jì)算服務(wù)器集群節(jié)能方案采用液冷熱管理節(jié)能技術(shù)，該技術(shù)利用超高導(dǎo)熱系數(shù)的液冷導(dǎo)熱模組將服務(wù)器高熱流密度的核心芯片熱量通過(guò)液冷模塊帶到服務(wù)器外，進(jìn)一步通過(guò)水循環(huán)冷卻系統(tǒng)排到室外，液冷循環(huán)采用自然冷卻無(wú)需壓縮機(jī)，實(shí)現(xiàn)節(jié)能效果。圖2為本次建設(shè)采用的間接液冷系統(tǒng)熱管理架構(gòu)圖，間接液冷系統(tǒng)由導(dǎo)熱液冷模組、快速接頭、液冷分配單元、冷量溫控單元、一次冷卻環(huán)路、二次冷卻環(huán)路、封閉氣冷通道、自然冷卻單元等構(gòu)成，具有低能耗、高功率密度、高可靠性等優(yōu)點(diǎn)。

圖2 間接液冷技術(shù)原理圖

1.3 分布式存儲(chǔ)集群方案

為構(gòu)建分布式高性能存儲(chǔ)集群，集群建設(shè)采用基于BeeGFS 并行文件系統(tǒng)分布式存儲(chǔ)方案， 其主要優(yōu)勢(shì)表現(xiàn)在：①分布式文件內(nèi)容和元數(shù)據(jù)，有效避免架構(gòu)瓶頸，一方面可跨多個(gè)服務(wù)器的條帶化文件內(nèi)容，另一方面則可使文件系統(tǒng)的元數(shù)據(jù)存放于多個(gè)元數(shù)據(jù)服務(wù)器內(nèi)。②兼容性好，BeeGFS存儲(chǔ)服務(wù)基于橫向擴(kuò)展（Scale-Out）設(shè)計(jì)。每個(gè)BeeGFS文件系統(tǒng)實(shí)例可以具有一個(gè)或多個(gè)存儲(chǔ)服務(wù)組件，方便提高性能與空間。一個(gè)存儲(chǔ)服務(wù)實(shí)例具有一個(gè)或多個(gè)存儲(chǔ)服務(wù)組件。③緩存優(yōu)化能力強(qiáng)，由于BeeGFS 自動(dòng)使用存儲(chǔ)服務(wù)器上的所有可用RAM 自動(dòng)進(jìn)行緩存，因此它還可以在將數(shù)據(jù)寫入磁盤之前將較小的IO 請(qǐng)求聚合到較大的塊中。④優(yōu)化高并發(fā)訪問(wèn)，BeeGFS用于在高I/O負(fù)載的情況下提供最佳的穩(wěn)健性和性能，優(yōu)化解決簡(jiǎn)單的文件系統(tǒng)（比如NFS）在高并發(fā)訪問(wèn)的情況下存在嚴(yán)重的性能問(wèn)題，以及在多個(gè)客戶端寫入同一個(gè)共享文件時(shí)會(huì)損壞數(shù)據(jù)等典型問(wèn)題。

1.4 高性能計(jì)算網(wǎng)絡(luò)方案

在高性能計(jì)算場(chǎng)景下，由于集群之間需要相互通信，所以對(duì)網(wǎng)絡(luò)的帶寬和時(shí)延要求比較高（應(yīng)用之間帶寬＞40 Gbps，時(shí)延＜10 us 微秒），現(xiàn)有的TCP/IP 軟硬件結(jié)構(gòu)無(wú)法滿足該需求，因此需要使用RDMA（Remote Direct Memory Access）技術(shù)遠(yuǎn)程直接內(nèi)存訪問(wèn)，構(gòu)建IB（Infiniband）網(wǎng)絡(luò)實(shí)現(xiàn)高性能場(chǎng)景下高速度、高吞吐網(wǎng)絡(luò)傳輸需求。RDMA 模式對(duì)數(shù)據(jù)包的加工都在網(wǎng)卡內(nèi)完成。因此就跳過(guò)了操作系統(tǒng)，直接把數(shù)據(jù)發(fā)送到網(wǎng)卡內(nèi)，少了應(yīng)用內(nèi)存與內(nèi)核數(shù)據(jù)之間的交互，所以速度上更快，時(shí)延更短。IB網(wǎng)絡(luò)：基于無(wú)限帶寬技術(shù)，這種網(wǎng)絡(luò)有很高的帶寬（100 Gb/s 以上）和非常低的時(shí)延（毫秒級(jí)）。

2 高性能計(jì)算服務(wù)器集群管理方法

2.1 高性能計(jì)算服務(wù)器集群管理需求分析

本次高性能計(jì)算服務(wù)器集群管理通過(guò)集群管理軟件，構(gòu)建服務(wù)器集群體系，實(shí)現(xiàn)算力資源虛擬化管理。其中集群管理需求主要表現(xiàn)在如下方面：

（1）滿足對(duì)多種深度學(xué)習(xí)、機(jī)器學(xué)習(xí)及大數(shù)據(jù)任務(wù)的資源調(diào)度和管理需求，要求提供大規(guī)模GPU 集群調(diào)度、集群監(jiān)控、任務(wù)監(jiān)控、分布式存儲(chǔ)等功能。

（2）實(shí)現(xiàn)集群資源調(diào)度與服務(wù)管理統(tǒng)籌，提供針對(duì)GPU 優(yōu)化的調(diào)度算法，實(shí)現(xiàn)集群資源調(diào)度高效管理。

（3）提供面向用戶的可視化接口或應(yīng)用接口，網(wǎng)頁(yè)端可視化界面、客戶端SDK、集成開發(fā)環(huán)境（IDE）拓展接口等。

（4）提供豐富的用戶管理，集群、任務(wù)監(jiān)控，任務(wù)調(diào)度，任務(wù)錯(cuò)誤分析，任務(wù)監(jiān)控等服務(wù)功能，提高運(yùn)維人員的工作效率。

（5）實(shí)現(xiàn)容器化和微服務(wù)化，使得運(yùn)行環(huán)境可以在開發(fā)和運(yùn)維達(dá)到統(tǒng)一。軟件需支持任何形式的計(jì)算任務(wù)以及大部分計(jì)算框架，包括各種深度學(xué)習(xí)框架和機(jī)器學(xué)習(xí)框架（如PyTorch、Tensorflow）等。

2.2 高性能計(jì)算服務(wù)器集群管理方法探析

針對(duì)以上分析的高性能計(jì)算服務(wù)器集群管理需求，設(shè)計(jì)圖3的高性能計(jì)算服務(wù)器集群管理架構(gòu)圖，共分為用戶管理、集群管理、業(yè)務(wù)管理三大方面。

圖3 高性能計(jì)算服務(wù)器集群管理架構(gòu)圖

2.2.1 用戶管理

及對(duì)用戶組群集資源參數(shù)進(jìn)行管理如用戶組的GPU 數(shù)量、存儲(chǔ)配額、組名、最大運(yùn)行作業(yè)數(shù)、等待作業(yè)數(shù)等；支持同時(shí)在多個(gè)已分配資源的租戶空間執(zhí)行任務(wù)，各用戶資源互不影響。設(shè)置不同的資源分配和服務(wù)訪問(wèn)權(quán)限；不同用戶組間實(shí)現(xiàn)數(shù)據(jù)隔離。

2.2.2 集群管理

包括分布式管理、并行訓(xùn)練作業(yè)管理、集群總計(jì)顯示等內(nèi)容。分布式管理是集群管理的重點(diǎn)，包括如下方面：

（1）分布式計(jì)算集群監(jiān)控：包括集群資源總體監(jiān)控人GPU資源監(jiān)控。集群資源總體監(jiān)控，監(jiān)控和顯示群集GPU、內(nèi)存和存儲(chǔ)總體使用情況。

（2）分布式計(jì)算集群管理：對(duì)用戶組進(jìn)行集群資源配額管理，對(duì)組內(nèi)用戶進(jìn)行集群資源配額管理；集群資源管理，動(dòng)態(tài)添加基礎(chǔ)資源，動(dòng)態(tài)分配和管理集群資源。

（3）分布式資源調(diào)度管理：執(zhí)行任務(wù)優(yōu)先級(jí)管理；實(shí)時(shí)任務(wù)資源分配和調(diào)度管理；以任務(wù)方式根據(jù)優(yōu)先級(jí)分配計(jì)算資源，任務(wù)完成進(jìn)行計(jì)算資源回收；計(jì)算作業(yè)資源監(jiān)控和執(zhí)行情況顯示。

（4）分布式訓(xùn)練任務(wù)管理：訓(xùn)練任務(wù)配置管理，基礎(chǔ)任務(wù)參數(shù)管理；訓(xùn)練任務(wù)執(zhí)行管理；訓(xùn)練任務(wù)監(jiān)控，查看模型訓(xùn)練和資源使用情況。

2.2.3 業(yè)務(wù)管理

基于高性能計(jì)算服務(wù)器集群應(yīng)用的一站式業(yè)務(wù)流程管理，包括一站式項(xiàng)目流程管理、一站式AI開發(fā)工程管理、交互式開發(fā)管理等。

（1）一站式項(xiàng)目流程管理：實(shí)現(xiàn)項(xiàng)目流程構(gòu)建、項(xiàng)目流程表單設(shè)計(jì)、任務(wù)分配、團(tuán)隊(duì)管理、項(xiàng)目流程可視化、項(xiàng)目檢索等項(xiàng)目流程管理支持。

（2）一站式AI開發(fā)工程管理：包括數(shù)據(jù)集管理、數(shù)據(jù)集推薦、模型訓(xùn)練、模型部署、API調(diào)用示例、關(guān)聯(lián)用戶訓(xùn)練任務(wù)與部署任務(wù)等內(nèi)容。

（3）交互式開發(fā)管理：支持用戶通過(guò)平臺(tái)內(nèi)置AI 鏡像進(jìn)行創(chuàng)建交互式開發(fā)環(huán)境，環(huán)境實(shí)例可以使用CPU 資源也可以使用GPU 資源；平臺(tái)支持開發(fā)實(shí)例的持久化。

3 結(jié)語(yǔ)

在國(guó)家人工智能戰(zhàn)略布局和產(chǎn)業(yè)發(fā)展大背景下，高性能計(jì)算服務(wù)器集群公共服務(wù)平臺(tái)建設(shè)需求日漸突出。本文提供一種切實(shí)可行、低碳高能效的高性能計(jì)算服務(wù)器集群建設(shè)方案，并探析高性能計(jì)算服務(wù)器集群管理方法，借助自主研發(fā)集群管理軟件，構(gòu)建服務(wù)器集群體系，實(shí)現(xiàn)算力資源虛擬化管理。相關(guān)管理方法有待在實(shí)踐中進(jìn)一步優(yōu)化和深化。