引言
高性能计算（HPC）和人工智能（AI）领域因异构系统而发生了巨大变革，特别是那些集成了GPU的系统。随着工作负载越来越受内存限制，优化系统内部的通信延迟和带宽变得极为重要。NVIDIA Grace Hopper超级芯片（GH200）代表了紧密耦合异构系统的重大进步，提供了统一的地址空间和对系统所有主内存的透明细粒度访问。
本文将探讨Quad GH200节点的架构（这是瑞士国家超级计算中心Alps超级计算机的基本构建块），并提供有关如何优化这一尖端系统内存操作的见解[1]。
架构概述
Quad GH200节点由四个GH200超级芯片组成，每个超级芯片结合了一个Grace CPU和一个Hopper GPU。这些单元通过NVLink和缓存一致性互连全面互联。让我们来看看关键组件：
图1：Quad GH200节点的架构
如图1所示，每个GH200超级芯片具有以下特点：
一个Grace CPU，有72个Arm Neoverse V2核心
一个Hopper GPU，有132个流式多处理器（SMs）
96GB的HBM3内存（4000 GB/s带宽）
128GB的LPDDR5内存（500 GB/s带宽）
GH200单元通过以下方式互连：
NVLink：每个方向150 GB/s（总共900 GB/s）
Grace互连：每个方向150 GB/s
NVLink-C2C（C2C）：每个方向450 GB/s（总共900 GB/s）
每个节点还通过单独的网络接口卡连接到Slingshot网络，每个方向提供25 GB/s（总共200 GB/s）的节点间通信。
内存层次结构和NUMA
Quad GH200系统呈现出复杂的内存层次结构，具有非统一内存访问（NUMA）特性。
每个GH200由两个NUMA节点组成：
与Grace亲和的LPDDR5内存
与Hopper亲和的HBM3内存
总的来说，一个Quad GH200节点有八个NUMA节点，四个与Grace CPU相关（NUMA 0-3），四个与Hopper GPU相关（NUMA 4, 12, 20, 28）。
理解数据路径
为了优化内存操作，理解不同类型操作的数据路径非常重要。让我们来看看读取、写入和复制操作：
图2：Hopper操作的数据路径
图2说明了Hopper GPU执行的读取、写入和复制操作的数据路径。
注意：
本地HBM访问具有最短的路径和最高的带宽（4000 GB/s）
跨C2C互连的操作限制在450 GB/s
复制操作可能需要多次互连遍历，影响可达到的带宽
内存操作基准测试
为了理解Quad GH200系统的性能特征，我们将检查各种微基准测试的结果：
1. 读取和写入操作：
图3：读取和写入吞吐量
图3显示了Grace和Hopper在不同类型内存上进行读取和写入操作的吞吐量，包括空闲条件下和C2C互连负载下的情况。
主要观察：
Hopper通常在本地内存访问时更好地利用C2C互连
跨越C2C和NVLink的操作会产生显著开销
在负载下，对HBM的写入受影响最大，特别是对Grace而言
2. 复制操作：
图4：复制吞吐量
图4说明了Grace和Hopper在不同源和目标内存类型之间进行复制操作的吞吐量。
值得注意的发现：
内存传输存在不对称性（例如，Grace在从本地内存复制到对等GH200时达到更高的吞吐量）
Hopper在跨越多个互连时通常能更有效地利用可用带宽
3. 延迟：
图5：主内存访问延迟
图5显示了Grace和Hopper的主内存访问延迟。有趣的是，跨越C2C互连的访问（Grace到HBM和Hopper到DDR）表现出相似的延迟。
优化应用程序
理解这些性能特征对于在Quad GH200系统上优化应用程序非常重要。让我们来看一些示例工作负载及其基于内存放置的性能：
1. GEMM（通用矩阵乘法）：
图6：GEMM性能
图6显示了矩阵放置在不同内存位置的GEMM操作性能。主要要点：
HBM放置对于最佳性能至关重要，特别是对于使用Tensor Cores的数据类型
即使将一个矩阵移出HBM也可能显著影响性能
2. LLM（大型语言模型）推理：
图7：LLM推理时间
图7显示了不同模型和内存分配的LLM推理时间。观察结果：
内存访问速度对吞吐量起着根本作用
HBM分配提供最佳性能，而对等内存访问显著影响推理时间
3. NCCL（NVIDIA集体通信库）操作：
图8：NCCL All Reduce和All Gather性能
图8说明了节点内All Reduce和All Gather操作的性能。关键点：
超级芯片局部性比使用的内存类型更重要
同一GH200内存大大优于对等访问
最佳实践和建议
基于从这些基准测试和应用程序示例中获得的见解，以下是在Quad GH200系统上优化内存操作的一些最佳实践：
优先使用HBM：尽可能将性能关键数据放在本地HBM内存中，特别是对于GPU密集型工作负载。
最小化跨GH200访问：尽量将数据保持在执行计算的GH200单元本地，因为对等内存访问会导致显著的性能损失。
谨慎利用统一内存：虽然统一内存简化了编程，但要注意与显式内存管理相比的性能特征。
考虑内存传输的不对称性：在设计数据移动模式时，要考虑不同内存类型之间复制操作的不对称性。
优化集体操作：对于使用NCCL或类似库的应用程序，专注于超级芯片局部性以最大化性能。
分析和迭代：使用分析工具识别应用程序中的内存访问模式，并根据系统的性能特征迭代优化数据放置。
结论
Quad GH200节点为HPC和AI工作负载提供了强大的计算能力和内存带宽。然而，要充分利用其潜力，开发人员必须理解其复杂的内存层次结构并相应地优化数据放置。通过遵循本文概述的最佳实践并仔细考虑不同内存操作的性能特征，可以显著提高在这一先进异构系统上应用程序的效率。
参考文献
[1] L. Fusco et al., "Understanding Data Movement in Tightly Coupled Heterogeneous Systems: A Case Study with the Grace Hopper Superchip," arXiv preprint arXiv:2408.11556v2, Aug. 2024.
点击左下角"阅读原文"马上申请
欢迎转载
转载请注明出处，请勿修改内容和删除作者信息！
关注我们
关于我们：
深圳逍遥科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
http://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）
