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
, |+ C/ U; t( ?* R
8 X' S+ T( S8 r0 TDeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学
0 f9 e  B% }" j. i; ?+ B4 d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。/ ^. B- a$ X  C  c  A; L  v* u0 E
7 K, ~, f* e9 C: }
一、DeepSeek 开源第二天,DeepEP 亮相5 T5 [4 U, t: ]+ G( O
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。* {6 f' \* S% u  F+ O+ C2 K

) n4 H1 Y5 c% G4 L( [8 Q5 JMoE 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。
& y. E: i1 x* F0 w$ }* o  ?9 h
' z- O; F$ J* M$ e+ C二、DeepEP 技术亮点:超越速度的深度优化
( D4 t  K4 t2 F; tDeepEP 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)。
- P1 K! c$ N; N5 F  k& F) x8 C+ Y8 t3 ?3 e/ T2 P& O% l
全到全 GPU 内核:奠定通信基石
$ J; i9 r' s' O4 u
& m3 y5 G& @7 t& h: c- U, \$ ]  AMoE 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。; I' d( K6 A  s9 U* k

& I8 t+ O! q+ C8 D/ 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。
8 F( r4 b6 N: G, R
8 Z$ Q, O1 N$ g+ _3 j- A"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。"5 T  {+ m9 O0 J- Z

) o) G$ Y  D/ I! s5 q  m; t非对称带宽优化内核:精细化资源管理
8 v( Z  T$ P* W( O; h( K6 w% Y( `2 _, l1 Y( m) _- y2 k- ^, Y, S# R
DeepSeek-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。1 i2 A9 D7 o. Z" D$ V# Z1 ~9 _

1 z3 z% f$ I! Q1 o, d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。
3 ~& e* X+ z9 v" J
% `2 z; d( J, |( n$ ]( ^% O$ l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。1 o6 J5 x6 V0 g9 U) {7 u; L8 G, D
. D: j5 l8 ?& @8 S$ L  z
"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。"4 t6 p) o* h  z6 m" Y. N
; l" x4 _6 d: ^3 ~3 b
低延迟内核:推理性能的保障
, F/ Y0 G; c8 s0 F% K
7 c2 o* u! w+ j8 [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。, r$ n6 c# `. o

8 I( A( R1 p1 T2 M! h' N, P! U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。
3 {  B, `8 ^* m' B- `- x" L3 s- ^! K. \# t6 W3 V) U+ r
"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。"( |9 c3 `* S& W4 k0 |: v0 Y
3 q. z$ a' R& U$ G
通信计算重叠:系统级优化/ v3 @+ A/ s" |

% A" }% i; u+ S2 i/ c6 O0 eDeepEP 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。
3 g  c0 V6 x6 ^5 k) z
' ~' O- l4 v7 W4 F* r, d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。
8 Z+ m6 F( e7 @7 i" p$ t
; Z% {8 ^: Z+ w) C4 U6 e; f"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。
4 f3 r) c# S) A: L+ h
% K# n" [& N- ?3 o, x三、DeepEP 性能数据解读:以实测为依据
+ z5 G* G) u5 J  ^( ]1 i9 SDeepSeek 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。
- ~1 D3 _  }' {+ z' V& ?6 f+ ?1 d# a- M
普通内核性能:逼近理论极限( R3 u0 O7 ^, Y/ A% F$ }. f

! _( Q5 k! s3 m( ]" ]$ a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。
0 ~! t+ I% w. S) f1 y
) i. k' D  ?0 I: o
7 p, w5 z* u/ L5 l. _; i* D这些数据清晰地表明:
2 Y2 v( n% U$ w% R7 y
2 n/ @8 e* L: S7 i3 F( S  z: m*   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。  [2 O5 l" W. [) d# v3 d8 L
*   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。/ L7 A0 {6 o& _: ~/ z  q
*   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。" K! ~" H+ `' l$ X* Y
*   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。
6 u" R; @) G' h" j7 q9 }低延迟内核性能:微秒级延迟
. N8 v& I* `: w  N; A1 x$ X5 f* w; G% b( |+ H
低延迟内核的测试数据同样证明了 DeepEP 的出色设计:5 n" ]9 s9 A8 I  V8 K  X

* ]5 v% G8 x5 e2 y: Z0 K- b+ G3 O6 m, O4 G/ t& m. x$ T  P
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。
* t! A3 ]1 C: M1 }  v/ r5 P
% k9 q  Z/ p- A( _2 P: J四、DeepEP 的工程哲学:实用主义与开放协作8 a3 h! e/ q5 D: `9 T
DeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:5 {, n# O, }* D( v# s0 l

- s. R* ^1 Y5 ?; [以问题为导向,实用至上* ^7 I9 F& E. o; y
; Q  A4 d! P+ Y/ W
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。
* M( d% |/ s8 o; i# C  C
/ R$ v. f7 x) l& `# F" v( r3 c4 O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。
* B! x% n# m; I2 C4 }9 u: i/ v, `% b. W- z$ A% N1 k
"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。"! w5 u  m! J  C( }
& I3 x, U0 B+ N& j) p. L6 \* T9 k. d
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。
, X+ t2 N6 q9 }0 Y
  P/ X, w8 Y  o: q0 d+ i8 t) t- s开放协作,共同进步
' w& n- {* k2 w! m' [8 |( H& n
/ J6 B$ B) e& E! {% e. |  pDeepSeek 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。
8 W/ k- Z" n) ]/ r& d+ r
3 k- k, ~, e' }  L$ |, [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。4 n) g" l5 |3 }; g% {) y( s$ q8 ^
8 x5 u- Y& \) S1 R
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。( \! @2 r& c+ W2 j# G

& R2 ?$ V, Y3 B9 C软硬件协同,深入底层) y% p. U2 U% u

; \" Y3 B- S% P; Y$ u; cDeepEP 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。
  m# E& B  Z$ r" X5 _) T7 P' k+ ~( @- P8 g7 i" |3 L6 [& o
DeepEP 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。1 ?+ N" x; D# W) t. T5 P9 S' |3 O
9 e+ `4 e4 |9 }1 ?
五、DeepEP 的网络配置与优化% s3 ]: B! T& w
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。) C( r6 g+ X- p! a' t, u" j9 k
# z, _" [/ I( e" K5 f: ^
流量隔离# h$ G5 d0 p% d/ R4 }# ^+ G  M$ e

; M2 c- {7 @% u! JDeepEP 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。
  z4 S  V+ H7 `, `2 t4 b& O* P' ]3 c* P3 M) o  g
"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。"2 g' ?! ?* u# }7 W$ h: I
# r0 I3 j4 x" m
自适应路由
8 `, L* g  A! w6 a6 N9 M4 M
" P4 N/ @* m3 q) S" q/ M- E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。
! K, m/ [: L' c2 g: ?/ ]  [! q2 N7 c1 h
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。
/ l# P, k2 a9 h9 _1 k# @1 u
% h; [+ R9 D  T" |$ D3 A& Q' I"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 Q; |* z3 H# Z9 b

& ?0 l3 l: l. C6 X" ~拥塞控制
3 S! Y1 g# {7 h4 y) I, @9 m& I& j* J% E0 _0 {7 k# l+ Z
DeepSeek 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。
7 L9 ]6 q* U* Z
3 c) M1 e/ {7 p( X总结:DeepEP 的深远意义/ j  K9 e& j8 m6 R* U: l

& c7 b" a: Z  p; L: w% u3 XDeepEP 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:  y, H$ f9 i4 H8 B$ D6 Q
3 w! Q4 x1 }8 s! T5 O4 f
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 g4 K1 a4 [, v, W/ X. K  j: c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。) i2 ?$ F" K- A3 i! }* s
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。
& b, g5 B5 c% v% }0 ODeepEP 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。. Q) P0 {0 [" E5 W4 ]$ f4 o

5 V1 P4 o+ p3 `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
/ u4 F% `/ l/ W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,  ...

1 R8 E; Y; j  ], k马鹿老师说的大势是非常准确的。
! V* _) V) ^5 W3 [" L5 v: j% O; t# H8 |
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。& y) q. N0 M' g+ f* W! k1 ~+ ?

+ C6 S) p* b1 |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 00:36
9 `& _7 g" R. }+ F" L马鹿老师说的大势是非常准确的。
+ a6 }- E% e  p2 I* c% X
" C8 @0 `# j/ t9 s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 ...

# n! `3 n. F2 h+ @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。4 m# J  t2 I6 V4 N

. I/ V  Z0 H# Q/ I8 r' L" ~




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