爱吱声

标题: DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学 [打印本页]

作者: xiejin77    时间: 2025-2-26 09:43
标题: DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学
本帖最后由 xiejin77 于 2025-2-26 09:45 编辑
# a1 W+ b# l& `0 o- R8 K) v" v/ B7 W9 |& X, u& B8 \
DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学
8 Q6 T  A0 h. _  M; ?# ~在发布了 DeepSeek-V3 相关的研究成果之后,DeepSeek 团队开源了其关键组件之一:DeepEP。DeepEP,全称 Deep Expert Parallelism,是一个专为混合专家(MoE)模型和专家并行(EP)训练及推理而设计的通信库。它的发布,不仅展示了 DeepSeek 团队在分布式系统和高性能计算方面的深厚积累,更体现了一种以实际问题为导向、开放协作的工程哲学。
) D) f/ {& p( c
, J+ w+ T. P2 n' z$ `一、DeepSeek 开源第二天,DeepEP 亮相
2 f& P5 @9 O7 k' ~0 ?1 v7 oDeepSeek-V3 相关研究成果,在经济性和性能之间取得了卓越的平衡。其背后离不开两个关键因素:一是精妙的 Mixture-of-Experts (MoE) 架构设计;二是高效的底层系统支持。DeepEP 正是后者中的关键一环,它为 MoE 模型的大规模分布式训练和低延迟推理提供了必要的通信基础设施。0 w' o8 U2 B/ p+ ]. H/ Z

" ~. }! ~$ s4 QMoE 模型的核心思想是将一个大型模型分解为多个“专家”网络,每个专家负责处理输入的不同方面。这种结构使得模型可以在保持计算效率的同时,拥有庞大的参数容量。然而,这也带来了新的挑战:专家网络通常分布在不同的 GPU 上,模型参数和中间激活值需要在 GPU 之间频繁交换。通信效率直接影响着训练速度和推理性能,成为 MoE 模型能否成功的关键。DeepEP 的出现,正是为了解决这一核心问题。9 l- ]) @9 t9 e3 p5 h
$ U! v' o( p: _4 `& G
二、DeepEP 技术亮点:超越速度的深度优化
/ r* n: Y, Z$ M; U0 I6 LDeepEP 的设计目标不仅仅是提供高速通信,更是在多个层面上进行了深度优化,使其成为 MoE 模型训练和推理的理想选择。这个其中尤其是第三点,对于非延迟内核的RDMA支持,这个其实涉及到一个非常隐蔽的设定。从本质上来说,是规避了对于大模型训练的英伟达的IB体系,甚至是Mellanox的依赖。这一点对于禁运都是有非常大意义的(利好菊厂、中兴之类的甚至还有国内生产RDMA网卡的创业企业)。( a" Z1 ^( W$ H

0 ~1 h# N& V( }3 D全到全 GPU 内核:奠定通信基石
8 t4 Q& r! A! O: Z$ `+ d- d" s
8 e8 m5 @5 i& X3 O* }MoE 模型和专家并行训练都依赖于高效的全到全 GPU 通信。DeepEP 提供了针对此场景专门优化的通信内核。这些内核充分利用 GPU 之间的互连带宽,实现了高吞吐量的数据交换,这是所有后续优化的基础。  Q+ Y/ ?/ l. _' i# C8 U

" u9 o& }$ w# i8 P, {8 n除了支持常规的 FP32/BF16 数据类型,DeepEP 还特别支持 FP8 等低精度操作。在许多情况下,低精度计算可以在不显著影响模型精度的情况下,显著减少通信量,从而进一步提高训练和推理效率,特别是在带宽受限的环境中。
4 n, n5 {4 C# c
( a- v7 m( _: H9 Q7 W8 O$ V"DeepEP 是一个为混合专家 (MoE) 和专家并行 (EP) 量身定制的通信库。它提供高吞吐量和低延迟的全到全 GPU 内核,也称为 MoE 调度和组合。该库还支持低精度操作,包括 FP8。"
( s, _& M6 z9 D5 V& D" p( ?" Z+ a; \0 N' Z
非对称带宽优化内核:精细化资源管理
- N9 B; M5 x) i, k! c# Y/ y
/ w. F7 L( R- L7 d  N4 c3 ^7 lDeepSeek-V3 论文中提出的组限制门控算法(Group-Restricted Gating)是 相关的核心创新之一。为了充分发挥这一算法的优势,DeepEP 提供了一组专门针对非对称带宽环境优化的内核。' a# P% S8 `9 O6 ]- ^& Q# n8 o

- c2 f, \% O4 F在实际的硬件部署中,NVLink 和 RDMA 之间的带宽往往存在差异。NVLink 通常用于 GPU 之间的直接高速互连,提供极高的带宽;而 RDMA 则用于跨节点通信,带宽相对较低。DeepEP 的这些内核能够智能地感知并利用这种非对称性,高效地将数据在 NVLink 域和 RDMA 域之间进行转发。" O, q, U2 l5 [

2 ?1 m/ k9 W1 \! n这种精细化的资源管理不仅提高了吞吐量,还支持 SM(流式多处理器)数量控制。这意味着用户可以根据实际任务的需求,精细地调整计算资源的分配,进一步优化性能。$ y4 L! ^; z+ W3 I- f
& _2 c3 f' l  w5 b# c3 t
"为了与DeepSeek-V3论文中提出的组限制门控算法保持一致,DeepEP 提供了一组针对非对称域带宽转发(例如将数据从 NVLink 域转发到 RDMA 域)进行优化的内核。这些内核提供高吞吐量,使其适合训练和推理预填充任务。此外,它们还支持 SM(流式多处理器)数量控制。"
5 b5 f1 `; s. Z5 g5 `1 ^; p; e
5 K: [7 l8 n% Z7 ~. _# z, l6 S低延迟内核:推理性能的保障" O  S2 p( l: O  O+ c

( \' G/ d8 }4 q2 x2 o对于在线推理服务而言,低延迟是至关重要的性能指标。DeepEP 专门为延迟敏感的推理解码任务设计了一组低延迟内核。这些内核通过直接使用 RDMA 通信,绕过 NVLink,从而尽可能地减少通信延迟。
1 I9 L- }7 @- [$ x1 V
, L  v; N9 R/ e* K& A: _! O在推理阶段,模型逐个生成 token,每次生成都需要进行通信。DeepEP 的低延迟内核能够将每次通信的时间压缩到微秒级别,从而显著提升整体的推理速度,降低用户感知的响应时间。
1 h. Y0 h( i1 v; f2 o6 D# _6 A0 ~3 n; q8 U5 Y
"对于延迟敏感的推理解码,DeepEP 包含一组具有纯 RDMA 的低延迟内核,以最大限度地减少延迟。"# v: Z) A( j* e: }6 g. l9 G* H
; [9 E. H* V% V2 z
通信计算重叠:系统级优化9 }, ^; e! @6 R7 f, u$ ^. n

1 n) N: m% W. A. k+ H4 H  fDeepEP 引入了一种基于钩子的通信计算重叠机制,这是一种系统级的优化策略。传统的通信库通常需要占用一定的 SM 资源来进行通信调度和管理,这在一定程度上会影响计算效率。DeepEP 的创新之处在于,它的通信机制完全不占用任何 SM 资源,将宝贵的计算资源全部用于模型本身的计算。
! Z7 ~) Y$ U; U7 H( B, f$ I1 B- b" E2 U
这种机制通过精心设计的钩子函数,将通信操作与计算操作异步地交织在一起。当 GPU 执行计算任务时,通信操作在后台并行进行,从而实现了计算和通信的高度并行,最大化了硬件资源的利用率。6 R( x1 O6 M, R. |

+ U4 T" ]1 r- `( R"该库还引入了一种基于钩子的通信计算重叠方法,该方法不占用任何 SM 资源。" "NOTES: the actual tensor will not be received only if you call hook(), it is useful for double-batch overlapping, but without any SM occupation" DeepEP还提供了双批次(Double-Batch)重叠的方法,通过return_recv_hook控制,允许用户精细的控制通信和计算的时间。- F$ j7 ^* A$ G, R+ \- o' P+ W

& |% X: A0 T; T3 W三、DeepEP 性能数据解读:以实测为依据
& H3 r. o1 W2 KDeepSeek 团队在 H800 GPU 上对 DeepEP 进行了详尽的性能测试,并公开了测试数据。这些数据有力地证明了 DeepEP 在不同场景下的卓越性能。
" \) ~; W! v5 m
0 v. x2 D' Q- A$ T; c' l( B, r3 B; g% B1 Z普通内核性能:逼近理论极限: a* c5 j8 p5 I5 a1 e& F! `
, t- f0 v7 @. s4 c, s& Q
在 H800 硬件环境(NVLink 最大带宽约 160 GB/s,连接到 CX7 InfiniBand 400 Gb/s RDMA 网卡,最大带宽约 50 GB/s)下,DeepEP 的普通内核展现出了接近理论带宽极限的吞吐量。7 d- l7 D2 M& u# B4 M* W

$ v. B# |9 w. g7 H( I- F% a' l. `, ?1 E" W# h/ l
这些数据清晰地表明:% L# z, z  w6 f, L# n& |

  \5 ^; M; z2 b2 Z9 v# D% [$ a3 F*   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
5 u1 r( c* H  j9 Y1 h*   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。+ s9 R4 a8 l; Z2 `
*   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。
! K  S; w. N! y! U4 @& u$ v, z*   无论是在节点内还是节点间通信,DeepEP 都展现出了极高的效率。
9 q, B  C; F, g7 k: N1 p低延迟内核性能:微秒级延迟
9 v" A4 q. d' H5 j1 }2 C) d8 Y; I. {: z: C7 X
低延迟内核的测试数据同样证明了 DeepEP 的出色设计:
8 Q/ u+ V/ C* @) }) B* `) i% s! N6 \/ f: }" \3 }) t
3 a, S7 B3 T0 _  d9 L& U) X
这些数据表明,DeepEP的低延迟内核在保持高带宽的同时,将通信延迟控制在微秒级别,为实时推理应用提供了强有力的支持。+ ?; ]1 Q3 W# z: y
# e  X# x* N9 ~0 |) q9 F( [$ T  y
四、DeepEP 的工程哲学:实用主义与开放协作
2 @7 p$ j! o% T. X9 a" }2 DDeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:
, N8 s3 F  Z3 _2 L1 L
( Z! \6 N- b5 ^  `1 a以问题为导向,实用至上
% }1 r" J8 `3 J
: p5 W% b/ a/ W9 b6 t  S% VDeepSeek 团队并不追求理论上的完美或“炫技”,而是始终以解决实际问题为出发点。他们深入理解 MoE 模型训练和推理的痛点,针对性地设计和优化 DeepEP。2 G( w2 h. [( N, l3 r6 _4 ^
% T6 ^+ \2 e+ R  p2 P
一个典型的例子是,DeepSeek 团队发现并使用了行为超出文档范围的 PTX 指令 ld.global.nc.L1::no_allocate.L2::256B。虽然这个指令在官方文档中没有明确定义,但 DeepSeek 团队通过充分的实验验证了其在 Hopper 架构上的正确性和性能优势,并将其应用到 DeepEP 中。7 x* z3 Y; k7 l3 z8 @, A+ I& A
7 {0 {# o" f9 i0 i" `0 [- M
"为了实现极致性能,我们发现并使用了行为超出文档范围的 PTX 指令:ld.global.nc.L1::no_allocate.L2::256B。此指令将导致未定义的行为:使用非连贯只读 PTX 修饰符访问易失性 GPU 内存 .nc。但正确性已 .L1::no_allocate 在 Hopper 架构上测试以保证,并且性能会好得多。如果您发现内核在其他一些平台上无法运行,您可以添加 DISABLE_AGGRESSIVE_PTX_INSTRS=1 并 setup.py 禁用此功能,或者提交问题。"# i$ u2 @, s# \4 E! G# f6 U: n- p
$ t) _/ ]8 d2 m0 F+ [
PTX是底层的汇编,与硬件结构相关;发现其未公开的隐藏指令,事实上只能是尝试出来的。在实践中基于频繁的使用迭代,发现隐藏指令,这种不拘泥于常规、以实用为导向的精神,正是 DeepEP 能够实现卓越性能的关键。它体现了一种“黑客”精神:在现有条件下,充分利用一切可利用的资源,解决实际问题。
  N4 c, y6 o& O6 h# ]' ?+ ]
( q5 A) L- Y5 y4 g5 P# [1 Q5 A开放协作,共同进步, Q9 [% e) E4 p' B
1 z$ @2 J+ @6 c4 k" ^! ?) R& v
DeepSeek 团队不仅在技术上精益求精,更有着开放、协作的精神。他们将经过实践验证的 DeepEP 开源,与整个 AI 社区分享他们的成果。
1 @- L0 C6 V4 z: q' m- N' |, g/ u9 ~5 Y; J, F  j
DeepEP 采用 MIT 许可协议,这意味着任何人都可以自由地使用、修改和分发 DeepEP 的代码,无需担心版权问题。这种开放性将极大地促进 MoE 模型的研究和应用,降低 MoE 模型的开发门槛。
! r  t& X& ~& S8 f$ L
1 J3 h6 }2 ~: |DeepSeek 的做法与一些闭门造车的做法形成了鲜明对比。他们不仅公布了结果,更重要的是公开了实现这一结果的关键技术(DeepEP),让整个社区都能从中受益。
: X$ a# H$ [  r% D3 q: `6 m% W: e' M# D2 V  g# R, d4 T, ]
软硬件协同,深入底层4 B, a3 i8 d* l( j7 B; j/ t

" j: y$ [/ p/ }DeepEP 的成功,也体现了 DeepSeek 团队对软硬件协同优化的深刻理解。他们不仅仅停留在算法层面,而是深入到底层硬件和系统,充分挖掘硬件的潜力。( L' V# G- _0 o; p1 @; K( x

' T2 M* p" g5 n6 _7 u7 @9 rDeepEP 对 NVLink 和 RDMA 的精细化利用,对 SM 数量的控制,以及对底层 PTX 指令的使用,都表明了 DeepSeek 团队对硬件特性的深刻理解。这种软硬件协同的优化思路,是实现极致性能的必由之路。- U# N  I4 a% ?5 {$ A1 J! a

% I& z6 Z* \& B8 V3 L1 g4 ~五、DeepEP 的网络配置与优化
4 H0 {* J4 c0 ]' ODeepEP 在网络层面也进行了多项优化,以适应复杂的集群环境,并充分利用网络带宽。这里也有一个隐蔽设定,还是接续第二部分的,在剥离所谓的IB功能依赖。DS的工程师团队在用英伟达体系训练的时候,在HPC的论文中可以说是边用边骂,但一边骂一边还得用……开源这个项目,事实上是剥离了IB的不少复杂功能依赖,尤其是流量隔离和拥塞控制之类的。这也是工程师思维,花里胡哨的功能依赖是需要简化的。
+ x+ f* l2 L  g9 b
! T& m* ^' I& u, w8 G2 x0 M流量隔离) c, }7 R# k) g1 d/ _5 L% K

. W' M  k4 Y, E! F( IDeepEP 利用 InfiniBand 的虚拟通道 (VL) 特性,实现不同类型流量的隔离。通过将不同工作负载(如使用普通内核的工作负载、使用低延迟内核的工作负载,以及其他工作负载)分配到不同的虚拟通道,可以有效避免相互干扰,提高整体网络性能。DeepEP 通过环境变量 NVSHMEM_IB_SL 来控制虚拟通道的分配。 这种精细化的流量管理,可以确保关键任务(如 MoE 训练)获得足够的带宽资源,不受其他任务的影响。% L5 P6 i, i( ?8 T; S
6 z" Z2 c# q' \0 a3 C! G6 I2 ^' q2 i
"为了防止不同类型的流量之间发生干扰,我们建议在不同的虚拟通道之间划分工作负载,如下所示: * 使用普通内核的工作负载 * 使用低延迟内核的工作负载 * 其他工作量 对于 DeepEP,您可以通过设置环境变量来控制虚拟通道分配NVSHMEM_IB_SL。"3 O7 h5 W: t6 n1 s8 j: l4 x; q

4 }& ]4 l( k7 e自适应路由
3 z$ s1 p8 o) j$ \3 B
: \( G; Y/ T% _# a% |! D自适应路由是 InfiniBand 交换机提供的一项高级功能,可以将流量动态地分布在多条路径上,从而提高网络的鲁棒性和吞吐量。DeepEP 的低延迟内核支持自适应路由,可以有效消除因路由冲突导致的网络拥塞,降低延迟。) s; W' J' _; B* E
+ \, U( b9 e" E
DeepSeek 团队根据实践经验,建议在网络负载较重的环境中启用自适应路由,以获得更好的稳定性和吞吐量;而在网络负载较轻的环境中,则可以使用静态路由,以减少路由计算的开销,进一步降低延迟。
, h3 d3 B) w0 i- e# b* D/ H& {/ ^9 s) _! v4 T; Q  @' J
"对于低延迟内核,启用自适应路由可以完全消除路由冲突导致的网络拥塞,但也会引入额外的延迟。我们建议采用以下配置以获得最佳性能: * 在网络负载较重的环境中启用自适应路由 * 在网络负载较轻的环境中,使用静态路由"8 B, X9 z) C- g0 m8 m/ u& B

) G) m2 k1 E/ _9 `6 L拥塞控制* s( Y8 X, r  x. L7 D

. g, X% x5 `" H7 k# JDeepSeek 团队在生产环境中没有观察到明显的网络拥塞,因此 DeepEP 目前默认禁用了拥塞控制。这反映了 DeepSeek 团队务实的态度,避免引入不必要的复杂性。当然,如果未来需要,DeepEP 也保留了启用拥塞控制的灵活性。) \2 z7 M0 _2 K/ X% H

! _* Y" p) ]* o* L$ l1 `总结:DeepEP 的深远意义+ x% }" H( f- P1 L1 @8 {

) m2 e5 M5 _. p6 ?DeepEP 不仅仅是一个高性能的通信库,它更代表了一种先进的工程理念:' d  A6 P! B, [6 A; l" R, [/ A' C% K! k5 |
% ~6 s. B. q' |6 g5 n
以实际问题为导向: DeepEP 的所有设计决策都紧密围绕 MoE 模型训练和推理的实际需求,不追求“炫技”,而是注重解决实际问题。
' O9 h% \' U$ o) C; ~9 V软硬件协同优化: DeepEP 深入底层硬件,充分利用硬件特性,实现极致的性能。3 N5 L3 s# J9 J; {  D, f5 i! r
开放协作: DeepEP 的开源,将降低 MoE 模型的开发门槛,促进整个 AI 社区的发展。' F/ ?+ O# i4 n, q
DeepEP 的发布,是 DeepSeek 团队的重要贡献。它将加速 MoE 模型的研究和应用,推动 AI 技术向更高效、更经济的方向发展。DeepEP 的成功,也再次证明了开放协作的力量,以及实用主义工程哲学的重要性。我们有理由相信,DeepSeek 团队未来将继续秉持这种精神,为 AI 社区带来更多的惊喜。
+ }' w3 t% l+ F$ R$ k0 O) u4 C, Q2 N  d1 Z9 {
原文链接
作者: 马鹿    时间: 2025-2-26 22:53
分布控制是必走之路,没见到这个DeepEP之前, 我就知道不管是哪家, 这个分布控制早晚的事。 我不是it的, 但是现代工业控制用的DCS就是分散/分布控制, 兼顾了速度和规模。
作者: xiejin77    时间: 2025-2-27 13:36
马鹿 发表于 2025-2-26 22:53
4 ?/ F9 |2 ]2 T4 M+ i$ L分布控制是必走之路,没见到这个DeepEP之前, 我就知道不管是哪家, 这个分布控制早晚的事。 我不是it的,  ...
5 j" k' G6 m0 Z0 ^6 h- i
马鹿老师说的大势是非常准确的。
" u& G2 v, H9 K" P5 N9 a; Y/ c
) g" R3 ^( [* J6 G! P1 `只是这个分布式是需要平衡代价和效用的,这几年的创新大都有分布式的影子,物联网,分布式数据库,分布式存储,分布式机器学习甚至是区块链、加密数字货币都是如此。: ]4 M! T/ m/ Q3 g5 [

: C0 k7 O& E. W/ r但是对于大模型训推这个领域,计算密集、数据密集、通讯密集;分布式到底能做成啥,还需要进一步演化。
作者: 马鹿    时间: 2025-2-27 21:20
xiejin77 发表于 2025-2-27 00:366 f0 d! h8 E4 Q( H
马鹿老师说的大势是非常准确的。
1 ?5 D' J( P; U8 e2 D
  y# |0 X, l; I& ?! }. k/ f3 i只是这个分布式是需要平衡代价和效用的,这几年的创新大都有分布式的影 ...
4 i: A# P3 ]; }7 q& E. h: S
正常, 不同DCS厂家的底层也不一定是一样的(没用过所有的,但是到目前我没见过一样的。。。), 而且一直在发展, 至少前几年我看到某家的DCS又进步了。。。而且随着芯片能力的增强,以前写代码要特别注意的事(比如执行时间), 现在都不用那么抠门地考虑了。
1 |2 v- M( \$ e. U% \" g9 y6 v4 H





欢迎光临 爱吱声 (http://aswetalk.net/bbs/) Powered by Discuz! X3.2