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

xiejin77

% e" x3 I4 X+ H6 H3 ^6 B" U' Y
DeepSeek DeepEP：MoE 训练/推理加速，开源通信库背后的工程哲学
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。

一、DeepSeek 开源第二天，DeepEP 亮相
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 O) o) w* l, U: s! S$ X
5 R. J* d' R5 S% [% C' t) vMoE 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。

二、DeepEP 技术亮点：超越速度的深度优化
$ g8 b, _2 w8 j0 xDeepEP 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）。

全到全 GPU 内核：奠定通信基石
# \, ?# @; f/ P& M8 ^
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。

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。
0 @  D" d/ x+ V1 b9 ~- z- Z2 z
4 Y5 ^! a* l2 ^"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& T/ |" ]$ s/ H7 f
" a; x% `8 I, e1 }- F非对称带宽优化内核：精细化资源管理
9 n7 A4 t: M. |; Q' p
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。
# G& i. O) F, V. w# r
9 R3 L2 [8 V. F/ z5 \* s3 J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。
0 O, [0 ]/ c" W3 F  k# f8 ~0 [3 B# 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。
  w- {/ I( ?' W8 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。"
) X1 f3 {2 ?9 Q, j
) }0 j7 G2 {5 L; z% C% t2 U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。

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 k2 ]4 T1 ~2 @"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。"
! I/ D/ C+ Y$ Z9 z$ X6 p1 d" D" S
% C# J: Y7 x, ]- V& }, x3 J通信计算重叠：系统级优化
# U. c( V% }& j) T7 r
0 v$ |- n$ u1 zDeepEP 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。

"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。
+ S2 z0 Y6 J2 u. m; {
三、DeepEP 性能数据解读：以实测为依据
# o& _3 P* z6 F6 C8 |/ cDeepSeek 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 T6 Q8 J0 j: K5 Q2 i
% ^0 m8 f4 r( Q; q; w% P普通内核性能：逼近理论极限
2 V8 M& W8 J5 n6 G; p# R
) c8 s7 t( L9 G7 Y3 J: c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。

1 W4 ]2 u( Q! e  f9 h
这些数据清晰地表明：

*   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
6 S' V! `8 P8 N*   在节点内部，DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。
; _( p' |. {2 r! |: ~- {" S6 R% S- o& X! [*   在节点之间，DeepEP 的吞吐量也接近了 RDMA 的理论上限。
*   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。
低延迟内核性能：微秒级延迟

低延迟内核的测试数据同样证明了 DeepEP 的出色设计：

% @, R& d7 q; W- B$ P( i
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
% ]9 Q+ o5 Q4 dDeepEP 的设计和实现，体现了 DeepSeek 团队一贯的工程哲学：
# }% Y" j/ \' d8 {0 c) a
以问题为导向，实用至上
" q" f: k, _0 p2 J) W, h% A
' Q1 W" k- v8 S) A& D7 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。
7 M; [) Z' U7 c4 ~/ z- d
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 v5 G- V( i0 m1 e4 Q9 i) @: [8 @8 Q4 a
" c1 h8 O3 S+ H1 P0 U' g0 Y- 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。"
# I2 n& ]& P/ r5 [+ J
3 L  l" \( }- sPTX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

6 O+ W2 u0 \2 p5 SDeepSeek 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。

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$ B. t0 t5 P( p  U1 o+ @
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 ~; s3 c+ @0 ^4 W' c软硬件协同，深入底层
2 ]  X  A+ s' a- ^7 k/ q4 ^' a
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。

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。
2 D$ H+ h  H) C
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。

流量隔离

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。
$ h# G4 j& r& g3 B9 F, i  ~  u" E
" U, g8 ~+ @" p" I( Q3 s/ t"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
& h, u0 G, Z6 R, f# T) R
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。
) q5 u  f- |% s
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"
7 F/ V3 S7 h; _6 \
拥塞控制
# f) _. P8 i3 D3 }/ w( u' o# {+ o' ~
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。

1 ]* B* b$ i( G总结：DeepEP 的深远意义
5 ]* d8 g" X- T, X/ `: O7 ^
" }, R# P  f. c" 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：
0 [$ M) g2 G" [* T  O9 z
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。
; w# E) w/ p- F9 ~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。
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。
. ^1 S) C, K: j# p0 V0 _/ G7 v
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
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，  ...

3 ^! ]! {+ c* g& K4 @& J9 ~马鹿老师说的大势是非常准确的。
. ?  N, u( y( d
1 B- R  S) V/ ^) ^6 `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。
0 W! Y. W) d' m; p1 u
& `% M- W4 J; D6 Y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
马鹿老师说的大势是非常准确的。
( i( Z4 W  _$ Z/ T
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 ...

) Y) V" w  s! i( c9 _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。
9 s6 Q: |: f$ \& ~: C* k1 G
4 ^1 H, h. \  G2 ?! S