Folia
← 返回头版

拓扑感知调度使NVL72集群可用GPU容量提升27%

针对大规模AI训练与推理场景,SkyPilot平台提出了一种面向NVIDIA NVL72机架级系统的拓扑感知调度策略 1。传统调度方式常导致多节点作业跨机架通信,从而受限于InfiniBand带宽;数据显示,若使用InfiniBand而非NVLink进行分布式训练可能导致性能下降43% 1。相比之下,NVL72系统在一个机架内连接72个GPU,提供每GPU 1.8 TB/s的带宽和130 TB/s的总内部带宽 1。为最大化利用这一硬件优势,新策略通过保持作业在机架内局部运行、利用备用节点进行原地故障恢复以及自动碎片整理来提升集群效率 1。

在具体配置上,将18节点的机架划分为16节点切片并保留2个备用节点,可显著增加可用GPU容量 1。Meta此前测量显示,其超级集群中4-GPU节点的平均中断时间(MTBI)约为490天,而NVL72机架的MTBI约为27天,表明机架级故障更为频繁 1。实验数据证实,在128机架集群上,采用16节点切片比18节点切片多出27%的可用容量,具体数值从1,602节点提升至2,037节点 1。

在实际应用层面,NVIDIA GR00T团队在512 GB300 GPU上的实验结果显示,实施机架感知放置使训练吞吐量提高了14.4%,迭代时间从1.59秒降至1.39秒 1。这一优化在超大规模集群中具有显著的经济价值,例如在10,000-GPU集群上,相同的速度优化每小时可节省约$16.7K 1。这些高效管理功能由SkyPilot的Topology-Aware Scheduler (TAS)、Frontier Trainer和Automatic Defragmentation模块共同实现 1。


评论