按：本文含NV-H100计算集群真实数据，实测训练时：文件写入、训练期间、检查点写入三个主要阶段的存储系统IO/带宽特征，并讨论了基于异步写入扩展检查点写入带宽。

导入

• 自2022年底ChatGPT聊天机器人出现以来，生成式AI已广为人知。
- 大型语言模型（LLM）应用是此类能力的核心。

- 模型在过去几年里变得越来越大、越来越复杂。

• LLM训练的计算、存储和IO模式更接近"HPC"而非单节点ML AI或推理工作负载。
- 需要具有性能存储的大规模性能平台。
- 需要在保持可扩展性的同时集成到更安全的环境中。

右图显示：2012年到2024年AI模型训练计算能力（PFLOPs）的增长趋势

训练计算平台（ Eos DGX AI 超级计算机的缩小版）

• H100 SuperPOD部署
• 2023年11月TOP500排名第9（121.40 PF）
• 576个NVIDIA DGX系统，每个配备八个H100 GPU（下文测试非全量算力）
• Quantum-2 NDR InfiniBand网络，具有独立的计算（8-rail）和存储（2-rail）结构

存储系统

DDN EXAScaler Lustre 存储平台的主要特点包括：

1. 硬件配置：

• 使用12个DDN AI400X2存储设备，每个配备24个NVMe驱动器，提供高速数据访问。
• 每个设备由8个200Gb/s InfiniBand连接，确保高带宽网络连接。

2. 存储架构：

• 采用Lustre文件系统（版本2.14.0），经过多项定制优化。
• 使用分布式命名空间（DNE）和自动轮询技术管理元数据目标（MDT）。
• 对象存储目标（OST）采用PFL默认条带化，优化数据分布。

3. 性能特性：

• 峰值带宽达到约1TB/s，显示出极高的数据传输能力。
• 系统性能超出当前实验需求，不构成瓶颈。

4. 高级功能：

• 支持PCC-RO（实现高速缓存），可通过用户标志为每个Slurm作业单独启用。
• 提供项目配额管理，有助于资源分配和控制。
• 支持子目录挂载，增强数据集管理和访问控制能力。
• 集成Kerberos认证，提升整体安全性。

使用Megatron-LM框架进行大规模语言模型(LLM)训练的设置。主要特点包括：

1. 开源框架：使用NVIDIA开发的Megatron-LM开源框架来训练和运行LLM模型。
2. 模型规模增长：

• 之前的模型（LUG2021）有130亿参数。
• 新模型大幅扩展到3400亿参数，数据集规模达到8T。

3. 研究重点：专注于训练工作负载，特别关注I/O性能在大规模模型训练中的变化。
4. 并行化策略：

• 采用张量并行、流水线并行和数据并行的组合策略。
• 这种多维并行化方法使模型训练可扩展到10,000 GPU的规模。

5. 性能和可扩展性：通过使用多种并行化技术，系统能够有效地处理超大规模模型，展示了在极端规模下的训练能力。
6. I/O演变研究：通过比较新旧模型设置，研究I/O模式和性能如何随模型规模增长而变化。

负载分析

负载特征。

上图为GPU计算时负载（含训练和检查点写入）；

下图是训练时存储读写带宽，后文详细展开分析。

IO行为特征（区分3个阶段）

• 初始化读取阶段 - 仅一次
• 计算阶段 - 迭代GPU处理
• 检查点写入阶段 - 每N次计算迭代

三个关键阶段及其特征：

1. 初始化读取阶段：

• 仅在训练开始时执行一次。
• 图表显示了一个短暂但显著的读取峰值，约为100 GB/s。

2. 计算阶段：

• 涉及迭代的GPU处理。
• 图表中表现为较长的平稳期，I/O活动最小。

3. 检查点写入阶段：

• 每N次计算迭代后执行。
• 图中显示为周期性的写入活动，峰值约为75 GB/s。
• 使用缓冲I/O来管理这些写入操作。

聚焦初始化读取阶段的读IO行为

• 计算阶段的读取非常低：约3MB/s
• I/O很小：< 4KB
• 随着节点数量增加，总读取量呈线性增长。

聚焦检查点写入阶段的写IO行为。

写入阶段，GPU使用率极低，处于等待状态。

• 检查点大小为4.3 TiB
• 检查点由少数节点完成（模型并行）。峰值75 GB/s（约12个节点）
• 每个客户端以约6 GB/s的速度写入（可用写入能力为93 GB/s）
• 检查点持续90秒

在这个模型版本中，峰值IO随模型并行度而扩展，而不是随节点数量扩展。

检查点异步写入

并行检查点写入，提高效率。

• 通过人为模拟检查点，我们可以运行工作负载写入IO的完全并行版本
• 下面是在48个节点上进行10次检查点的示例
• 每次检查点持续16秒，峰值275 GB/s（约4倍加速）

此时，峰值IO随模型大小和节点数量而扩展，潜在优化来自研究异步检查点。

这种并行检查点方法对LLM训练和存储系统设计有几个重要影响：

1. 显著减少了检查点操作的时间，可能大幅提高整体训练效率。
2. 存储系统需要能够支持更高的瞬时I/O带宽，以适应并行写入的需求。
3. 并行化策略改变了I/O负载分布，从集中在少数节点转变为分散到多个节点。
4. 异步检查点的潜力暗示了进一步优化的可能性，可能通过降低检查点对计算的干扰来提高效率。
5. 存储系统的设计需要考虑到更频繁、更短暂但强度更高的I/O峰值。

如何实现并行/异步检查点方法？

在AI训练场景中实现并行/异步检查点（Checkpoint）写入是一个重要的性能优化策略。这种方法可以显著减少训练过程中的I/O等待时间，提高整体训练效率。以下是实现这一目标的关键步骤和考虑因素：
1. 异步写入机制：
• 利用异步I/O操作，将检查点数据写入存储系统。
• 使用单独的线程或进程来处理检查点写入，避免阻塞主训练循环。
2. 数据缓冲：
• 实现内存缓冲区，临时存储检查点数据。
• 当缓冲区达到一定大小或经过特定时间间隔时，触发异步写入操作。
3. 并行写入：
• 将大型检查点文件分割成多个小块。
• 使用多线程或分布式系统并行写入这些数据块。
4. 压缩优化：
• 在写入之前对检查点数据进行压缩，减少I/O负载。
• 选择平衡压缩率和CPU开销的算法，如LZ4或Snappy。

小结-LLM训练时IO行为

1. 计算阶段的读取带宽非常低：

• 文件系统（FS）能力应专注于小IO（或其他工作量）。

2. 检查点可扩展性可以支持大的写入峰值：

• 这对文件系统提出了更高的需求。

3. 未来的检查点改进可能会再次改变IO模式：

• 需要依赖CPU和网络织物的有效并发性能。

---【本文完】---

公众号：王知鱼，专注数据存储、云计算趋势&产品方案。

PPT取自 NVIDIA 高级工程师Aurelien Degremont/Nathan Dauchy，在LUG24的汇报材料。

识别访问/下载材料👇

NVIDIA：LLM集群存储IO行为（实测数据）