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
" i. |7 Z+ E* Q1 u
0 c. C3 [2 O' i- a3 Q' YDeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学: Q; v9 v5 R! q. A/ r8 g9 ]
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。
) V( t% H- J# j1 e% w5 M
* W7 b5 o9 O) A1 G一、DeepSeek 开源第二天,DeepEP 亮相5 r7 Z6 @& P2 w. F
DeepSeek-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。& o# n0 D. z, |5 k- ^# V. E

; L, L1 i. t* x2 D- e6 n2 F2 p" B9 @MoE 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。( L2 \4 s6 h# o7 G/ e; K+ A

* m; ~: ^: f. g! \8 m% f二、DeepEP 技术亮点:超越速度的深度优化
% W) I* X. H1 eDeepEP 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)。! S% @- `' U  m' Q9 P, \" o/ t5 J

, v# N% E" ^# y) f' E7 \+ ?) T全到全 GPU 内核:奠定通信基石: w! V; ]' e+ y

1 R% }& R* B8 _1 C! U& t) A" tMoE 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。
7 H0 f- D% d' h5 f2 s3 C0 {0 @% e- h6 E, ~+ H7 j- Z
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。1 l. d7 m  A4 M4 ~

9 H5 V  U( p1 d"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。"0 M" }( Y- F0 t$ ^3 N! d* V$ y  S6 X8 f
9 E# @8 g, q' k- T$ F7 k! e
非对称带宽优化内核:精细化资源管理
+ h8 X6 a& @0 \1 c* F% C
7 Y$ w- `% X/ c# N' DDeepSeek-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。
3 S# Y+ x) f$ F$ W7 z$ \, ?! P) x: t  q. @+ n- E/ p
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。
, L4 w! l# P7 j$ m, W
: _" @, [* e& U- ^& ~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。
# ^$ U' e8 M' Y2 k9 C7 p
; @9 @# C7 F" a" z' x6 r3 ~"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。"
/ S; ], z% y$ l2 q  v5 t! w* f; L; l9 S% W
低延迟内核:推理性能的保障; O, C9 U* p/ C0 d9 M5 o) L) B* l7 ^% i
1 `, ?9 Z. P* D  X4 ^
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。# N: g3 g# I0 L6 l+ W# |6 [  S

* {) y" J5 A/ c7 c  N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。5 H6 Z5 [7 N* Q0 K

; V6 t' C6 b! T$ E& b- ?"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。"5 }: \3 T. O( e

) t* W3 z4 `0 A1 L" ^1 g通信计算重叠:系统级优化9 Q% a' ^; U# V* {+ t4 c

9 Q* i  s# a1 l' z( h9 T! HDeepEP 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。2 W$ M  H* I# {1 M; N7 E- v

5 s4 \! J( t( i9 Q% @1 G8 ]2 y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。+ D: U4 y! N8 `! Q* |
5 N* D" }1 O& G, G4 o. {
"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。# E+ ]4 B0 N$ l; q

' }" k# m5 e: u( }: R" _2 N三、DeepEP 性能数据解读:以实测为依据: J  h( S3 E7 @; c  F
DeepSeek 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。3 w& }: _$ O( p5 w! F
7 H9 S/ P+ l4 W1 V$ r
普通内核性能:逼近理论极限7 a# a6 R- [0 ^

# f) N! W( M: k) Y. p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。: z2 {3 t+ a7 V1 H) p' T

+ m7 D5 }- r. _$ A9 ~6 M
( \" E" c! H; e2 q& g4 _: d  i这些数据清晰地表明:
# X; x5 i& B, @# r1 G6 D
& t! M0 m8 S$ o0 S*   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
# A+ P! e( c; g# u! w6 X* a*   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。" r- Q) G0 e' |* \4 P
*   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。
" o& J1 k/ ^4 j# M/ W# p7 m*   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。; A1 {  Y; o; V8 Z
低延迟内核性能:微秒级延迟
/ O! F' i: }, K3 P9 x& n
# _) z4 M; D2 n7 R8 R低延迟内核的测试数据同样证明了 DeepEP 的出色设计:
: R# t% b9 |% m" w2 O; e: i0 `- s: I4 @
4 n9 p# V) Y  m# I' G+ i# X
7 s; E' @$ A. R4 j, _+ W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。" s& E- L4 Q: q$ V$ N* K; Q
( d0 C8 a* O% a, _4 h
四、DeepEP 的工程哲学:实用主义与开放协作! q8 C: I" X  R1 l( Q4 G5 V" [0 `/ G
DeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:
: H& v3 W% Q/ S) M, J! L% ?) ~$ u9 K0 k% ?
以问题为导向,实用至上
. a3 {) }1 H7 t. s3 B  d, |) R9 m  m; ]
DeepSeek 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。, z0 U* `1 ^* s- R: `2 N
* ?5 X% v0 n0 H
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。
) d1 m7 j* {3 r9 _+ Z' U" H7 y! x1 g; v
"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。"8 ^% s1 q0 A+ n8 K: {1 N. }, P& ^
6 [0 f: E  e  Z) P8 g
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。
5 Z+ Z0 C- t; f- ~$ ~, K
# V/ y6 N) {' z' x8 k* B开放协作,共同进步
1 I0 D9 g, l$ O5 J3 n# ^& f# x. x# _" I; Y
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。9 c0 Q6 ^2 G. U, c

/ G1 @8 |  d/ c3 ?) @( nDeepEP 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。0 D& r( u: |. J: O' M% E' n
0 m; x) O' G% _, _% _9 c
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。: c$ t) q! l# L7 `9 s

; U' z* w- p* D, C5 a) I2 u软硬件协同,深入底层
& ~1 ^4 K/ n; ~, Y" y+ A! ^3 R5 y7 ~0 J0 S5 t  Q2 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。
- i4 U# Y* p4 S: j7 ?; a9 n, B. j
0 }3 w; }7 J# ~3 d" I3 gDeepEP 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。  V" x6 ]# t/ N' g( \& i" P
7 s6 A$ {' V  `$ K1 ]" H( o
五、DeepEP 的网络配置与优化/ U7 J+ p) H' n* k( e* x# R. p
DeepEP 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。
1 m0 |; t9 K0 }& W/ B" X2 |* D/ X8 P
流量隔离* }7 D$ b7 d% Q: S6 }) k# \
. e* E; ]3 C5 q, h  R
DeepEP 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。
1 G- ?- b  z) p  Z4 n+ w, s/ P# d5 l0 _2 V/ w6 j! ]
"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。"# }9 @; b1 r' _; J& x- W5 @
' v5 B) r( K* v# B
自适应路由
: r. I9 Y; C$ B! R
9 m3 \& o* e) s0 t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。
  @3 R! `2 Y' D$ K& Y7 j" P& H; M- N. l# E3 _( k
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。" X% m; j0 \  K* \) f

7 N- f% k( q  c8 P$ T/ Q6 E"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"
: b# `/ ~, F7 Y6 e  A% K% a: X4 R9 u% x- w, ?. }: r# E
拥塞控制
+ J! ^$ h5 ?* \3 W( H1 H6 i' U
5 m) K$ O. n& l+ u# VDeepSeek 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。- Y$ r1 X" v0 i2 h7 B! T
$ j: V. E  S% Z- |" x# j5 w
总结:DeepEP 的深远意义+ h- u! n* O5 g" D4 m

* q  c; E5 C/ K' N* Z% RDeepEP 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:$ p' X5 a8 z; v6 f
: |6 H) |# X" g% T1 Y
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。5 ]  w) ]9 O- G4 r- @/ W! D) w
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。. Z$ F) e) H/ F6 n. K2 Y: Q
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。
0 c7 y7 T3 v- F* m" y8 [, d! Z! FDeepEP 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。
! O( `# c, V" [6 I+ _9 M2 B) R$ q$ a) }; f7 D' H9 W
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 22:530 B! b" i" i, h" 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,  ...
8 k0 e; H3 `, |/ d2 K
马鹿老师说的大势是非常准确的。: f& P5 `4 V) Q$ O' t5 \
7 p& a% A2 N$ r! u. s3 t. ]& U
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。
& F0 ~5 E  \$ K! x( e/ H
0 W; J( g# q0 v5 U& y3 g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 00:369 V$ [( q5 p: h1 O& h5 k
马鹿老师说的大势是非常准确的。
- v. r/ C5 u- s. n- m$ P' M% D/ n; Z- t. s6 b6 X+ V
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 ...
* j! X+ S' @+ ^2 R% j8 `
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。
& h: D- n* O* @3 U; y% W, I! K6 t! Y; Z9 K





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