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 $ X7 I7 ?# m# e0 V3 T7 p6 b

7 d8 p- {  ]* }7 N! S0 ZDeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学* F1 A: S1 ?1 l( Q& `! s
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。$ g0 w" C% }, V1 ?5 j" b7 \, E, k

, {7 I$ `0 U0 g一、DeepSeek 开源第二天,DeepEP 亮相
9 @: k) T: H3 M2 i% u  IDeepSeek-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。: ]) T" k0 s% }+ _7 F9 H0 {

: V( F, K1 D+ B- `1 E' 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。
+ \8 `6 ^8 ~$ b  a- X- ^0 Q' I- `, r" x4 X( O! V8 k
二、DeepEP 技术亮点:超越速度的深度优化8 L0 O5 v) h/ p( G- B
DeepEP 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)。
- g% |' L- y1 ~7 L" k, Z" r: B
" ]% `% m. K' p, X9 n全到全 GPU 内核:奠定通信基石' b/ r6 C. A, E. H. o3 J

9 H/ J. g+ F# I7 ~4 N$ C# ZMoE 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。
$ h( s  E4 f5 \: r: Y. ?% K) r2 B6 r8 u- F) T; b
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。
) C* z; v; C: G; d
: _8 C, s  K5 x5 m8 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。"
3 t* M; M. y' w1 o8 I- m5 w3 w! a5 }- C, Q9 \# a
非对称带宽优化内核:精细化资源管理8 b: U: K. Z5 K, P0 Q$ Y3 T
2 v; S3 Z9 Y$ e& m' ^
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。
$ l& k" Y. q' h' X" E/ {' `5 W5 o
: U& S% ]  H. j5 e3 v; O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。5 j1 c1 i" a; ^* b7 _* ]

( o: _( N; N9 }4 f5 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。) I4 V4 E$ {" n5 ^9 o0 r! H4 N

9 @. d5 k8 L2 |"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。"
( {3 F, k3 Y- g' ]" D, a5 j5 F
* e! A$ ^# ?+ E1 V5 P低延迟内核:推理性能的保障
3 |' U) U. T; f  y: ^/ g( R
; z: ^1 t3 f# P1 [/ i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。0 \& |. V9 ]; k
7 \* Q* u2 ^: i2 d* v" T" Z9 x
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。% b- v8 R: }) `/ p9 v( f
, Z3 z4 m" h1 {3 m& i
"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。"
- N2 m3 f9 w* ~4 X& u. a3 a8 C3 n
& D4 i* _5 [; I$ h+ C1 F4 k3 I4 }通信计算重叠:系统级优化
8 t  C. s- m1 g+ E- x9 u, `4 ?" C4 t- z$ W! U. P+ z& m! M/ k
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。
3 ?6 _$ d$ r* d' V* O  w
" H" I+ u- f' O# n$ U/ b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。
9 w; [9 Y7 b7 I3 R+ L) }* s* `: \* k* \! \/ Q! q
"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。
( J4 |" w* K7 L# }% L) @( e# f* O  {  k8 t% p4 r% ~
三、DeepEP 性能数据解读:以实测为依据  R+ N. z( T' U8 z  f# P
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。  P4 f% |5 E# B) z

3 r8 M; H0 j, i# g普通内核性能:逼近理论极限
" D3 ^; L' l: J* v' x0 w% z
4 Z6 d4 c# A, |0 U' c# E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。
/ z. {8 h8 l+ y& {
# i% P1 u% V0 p- i' X2 Z+ y
" `: M  p$ `  n+ ~/ S  j6 r这些数据清晰地表明:: I% |$ L0 _6 _, K% U

. {" T4 L0 _$ Z+ u, ~" W" N/ P*   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
: b, W! y) R- g' w# P/ S*   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。7 R/ u1 F6 ]1 a( d
*   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。
9 w% {  r, i) r( 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。
2 x6 G5 @! J4 O% j  F低延迟内核性能:微秒级延迟
# [* B4 }$ @/ v6 i8 [3 \+ X
) J- p; n* T- O% A7 t低延迟内核的测试数据同样证明了 DeepEP 的出色设计:; Q" \% |+ W" v% q9 j. u+ H
  I3 g: R) o% P+ b9 g) ~
" u, s$ [- ^' O$ {/ K: m7 V8 B' 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。
0 S5 `! V& R$ g1 L4 o
8 O; Y8 v% Z& ]四、DeepEP 的工程哲学:实用主义与开放协作
% w' I; J3 l, e1 @DeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:
* W; S1 g6 z7 U& X+ _# _
; T% d5 k/ z* C以问题为导向,实用至上7 e/ i( V1 @( y# N
3 w$ N; |* W' [, F  W$ x0 ]
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。
2 I& o$ A3 B2 u0 V, w0 Z8 d" i0 W
0 L" \$ }4 n/ ~9 s: x5 t: Z  o% Y9 e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。6 x& m4 M6 n# z( l
6 F6 M2 e8 X( ~
"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。"
$ {3 q  w2 Q# R4 _% b
0 A! Q0 v$ \- n: qPTX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。
3 _$ a: `2 ]9 A; n% w: l  B" ?0 f4 J$ Y
开放协作,共同进步
' h+ s3 Q2 Z. K, j' ]! E9 R. h; d" x
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。; l  v, w: e0 R
" f" G: l' O7 Q; ]# z. }+ q9 z
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。
1 ^6 L1 P' i% i$ x# F- W. F  a2 S( Q. _' ]
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。( e. Z$ S3 ]/ f" n1 o
) h, G9 O8 w6 T7 I/ q5 G
软硬件协同,深入底层- x$ u4 m- q: ]7 ]3 Y# a: H0 B

1 v8 c2 g3 P) o% W2 u8 ZDeepEP 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。
4 a2 R' U0 J# g1 r7 J$ H8 B3 G" I% _
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。5 C. |, ?" X2 [9 h, P; D2 F
7 M3 s7 N* Z% i  |1 O$ b& J
五、DeepEP 的网络配置与优化
4 V- ~" Y7 U2 n2 yDeepEP 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。
8 Q, W6 X( y) T) l/ t+ F2 L
' N$ Z/ g5 i+ {流量隔离
+ m5 \, M( O4 Y6 ?, R
3 T- N+ K" i* Q0 o( bDeepEP 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。( c! G* T8 U3 g$ H1 B9 X8 W7 C

$ X6 t4 C! Y' o) s( ?9 u  S"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。"! o6 L6 k, W; J5 `  w  X( H

; Z2 \$ J8 k0 m. ]$ E: }自适应路由
5 ?4 ~- F! |, Z% ^; Y5 i2 e' u# P3 w+ u, E  Y
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。9 T- K( J$ O- a; `5 S' F& A
4 \: {! x. ~2 D% Z! n+ Y! @! m
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。
% ^$ |8 _* N# A; U$ l' x1 C/ E. i: W, q# T5 E9 Y3 s
"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", W/ b! B7 ^( _3 t: d  T- C

" v8 n! Z4 L# ~- F0 N% c: L: o拥塞控制
8 b( @( r9 B) c5 r0 ~) x, ?5 }7 S" s/ q. A4 v1 n) M) _9 k& b7 Q0 U
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。
; Q% h0 P3 G/ s9 m
- z6 n; }* V% |1 {总结:DeepEP 的深远意义
+ h& o+ Z4 n" i0 `6 g# i- x" f5 w( }& }* _- Q* h1 v
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:3 _/ Z$ N- k" m0 `& ^9 t$ }

/ F- l8 B& ], F6 h  d- I# S' z6 K) v( y3 e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。) H9 I8 A+ d/ ?6 @- D3 D1 N
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。
+ M3 ]) ^' X( j6 T6 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。
4 V5 {/ |! [) E+ a; XDeepEP 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。/ z- Q- b/ z3 q# M- G% e" A

- H" |( q, M; ]; ~& g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
& u. p8 ~1 w* q3 q, z' n6 |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,  ...

. h# Z! M, {. A$ s4 F& r3 O马鹿老师说的大势是非常准确的。
( z% p+ E0 Q- o
7 u  E- F/ k8 Z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。
: K- s) p; D" Q: H/ P/ x4 y5 \8 a. B4 [
7 u& \  q" k3 S& b4 L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 00:367 [: h* F! x& x" Y: M
马鹿老师说的大势是非常准确的。
' U* ]" \5 C& Y+ H, e/ F! P: L8 V- a( f2 h% w
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 ...

/ v) x0 W, ?" w+ X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。
5 D. @1 \7 K" A' |  _
! S4 a1 s. U- n




欢迎光临 爱吱声 (http://129.226.69.186/bbs/) Powered by Discuz! X3.2