DeepSeek DeepEP：MoE 训练/推理加速，开源通信库背后的工程哲学

xiejin77

DeepSeek DeepEP：MoE 训练/推理加速，开源通信库背后的工程哲学
" \' B& U" k! k9 O# w0 `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。
- W3 w  i! z* l: m& T+ j
一、DeepSeek 开源第二天，DeepEP 亮相
# E( G  G, e# R6 c; i8 nDeepSeek-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。

7 B* T/ s& f3 U! ?& g# c" W2 {/ XMoE 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。

2 r' q. k5 F- q1 Q# O- T) q0 Q二、DeepEP 技术亮点：超越速度的深度优化
- _) w8 o6 @9 ~& Z- zDeepEP 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）。
1 Z% C% n6 r8 ^3 j+ M  Q6 u
! [' V: E6 z9 w5 |, A全到全 GPU 内核：奠定通信基石

' y! E/ S3 E* z: ~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。
; ?+ t& p1 T! B* M7 ?+ B1 P
% `" x; n+ e8 P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。

"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。"

非对称带宽优化内核：精细化资源管理
$ s* b2 i. j- r0 Q8 ]
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。
. w4 o1 }9 `0 D* x" y9 K
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。
/ Y, X1 [. z, k1 T* \
4 _1 e( o+ O/ r& ]$ P: k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。
9 r# w2 Y! F- X& \. ]
"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。"

低延迟内核：推理性能的保障

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。

& C. Z- Z7 V& G% o; n+ T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。

"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。"

6 T" d  b2 d( Y- Z  u/ C* Z通信计算重叠：系统级优化

DeepEP 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。

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。
) s& f- V. I+ g2 K/ n
  F  H. O; K3 i& M2 y"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。
, k( f6 Y/ b$ V* w# x3 o+ ^
6 `/ s9 @. v$ y" O7 c三、DeepEP 性能数据解读：以实测为依据
' ?" Q" h4 b" fDeepSeek 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。

- _7 k3 A- J$ R# Y2 X3 `普通内核性能：逼近理论极限

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。


这些数据清晰地表明：
; \) t+ U. \! r7 O5 Q
* u8 L% a% P9 m) D* w9 E*   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
0 v  }; P0 h) i. ^, b8 s( ?*   在节点内部，DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。
" y' V$ e! E( {* X% _+ [( v*   在节点之间，DeepEP 的吞吐量也接近了 RDMA 的理论上限。
2 _$ n/ k( Y0 w, M9 i*   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。
/ y9 k# m( R$ h' ]) o5 m低延迟内核性能：微秒级延迟
! ]% K+ R3 C0 M! w, k/ E, g
低延迟内核的测试数据同样证明了 DeepEP 的出色设计：
9 n, H2 t* T7 T6 _
) g2 o* n- O" v& y- D  ]
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。

四、DeepEP 的工程哲学：实用主义与开放协作
DeepEP 的设计和实现，体现了 DeepSeek 团队一贯的工程哲学：
+ M8 o! y6 w, e5 y- F
以问题为导向，实用至上
# _; F" |* m( G$ F; I
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。
- h3 D2 U& W( D3 C( }7 @$ L
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。

8 r' ]0 c* W1 q1 V* E) \% f"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。"
# C2 n, U, e5 R9 i8 [3 h  t) ~
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。

开放协作，共同进步

9 }% B6 e) g' TDeepSeek 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。
5 J: J/ p" L) K2 k+ q1 r. j- d
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。
- L  E- f2 B$ P6 t. w' `6 P1 ], 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。

软硬件协同，深入底层
2 H: ]: t4 w4 |9 l% e, e  h
' f7 f1 t! K. wDeepEP 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。

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。
' P1 H/ t9 }' G1 k
/ B: J: ?) A7 x# P% G五、DeepEP 的网络配置与优化
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。
: H" l- [6 H7 n. T8 V" V
流量隔离
) V8 n8 V2 g  k. L. k' ~6 Z7 V
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。
0 I3 J' U/ r" O4 A' O' V6 w- |
6 K" ^6 p* b- ~4 W"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。"

自适应路由
2 V: z1 x- N) m) G
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。

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。

"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! c) A/ D1 D4 n" |* Q
9 }& \6 A: ?; w3 w) O# e+ V/ J, I拥塞控制

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 E$ D5 p8 R7 z& g& e
$ ^: U4 p5 m" t* ]; Z0 t6 p总结：DeepEP 的深远意义
6 m' c# T& \) ~/ u2 M
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：

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。
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。
* Z6 }6 |! y6 \+ \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。
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。

( ~2 ?5 H) A! M: C. R, {$ F) R# W原文链接

马鹿

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。

xiejin77

马鹿 发表于 2025-2-26 22:53
2 c* K* K- |2 b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，  ...

  }2 {7 S3 T9 `* N7 r! I* c# i马鹿老师说的大势是非常准确的。

2 g/ b. R% o8 O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。

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。

马鹿

xiejin77 发表于 2025-2-27 00:36
8 t# ?+ p5 u+ Z7 X! S; i7 H0 T马鹿老师说的大势是非常准确的。

# r& K5 e$ D) I/ B/ f8 A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 ...

/ |: C' f" y: g  D' w) B: [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。