Optimiza el uso de GPUs en Kubernetes consolidando cargas de trabajo subutilizadas

La optimización del uso de GPU en entornos de Kubernetes es crucial para mejorar la eficiencia de los recursos. Modelos ligeros de reconocimiento automático de voz (ASR) o de texto a voz (TTS) requieren solo 10 GB de VRAM, pero generalmente ocupan una GPU completa en implementaciones estándar de Kubernetes. Esto ocurre porque el programador asigna un modelo a una o más GPUs, lo que provoca que muchos recursos de cómputo costosos queden subutilizados.

Abordar este problema no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios simultáneos con el mismo hardware de alta calidad. Esta guía describe cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y la segmentación temporal, para maximizar el uso de los recursos de cómputo.

Utilizando un pipeline de voz AI de grado de producción como campo de prueba, se muestra cómo combinar modelos para maximizar el retorno de inversión (ROI) de la infraestructura, manteniendo una fiabilidad superior al 99% y estrictas garantías de latencia.

Fragmentación de recursos GPU

Por defecto, el Plugin de Dispositivo NVIDIA para Kubernetes muestra las GPUs como recursos enteros. Un pod solicita nvidia.com/gpu: 1, y el programador lo vincula a un dispositivo físico.

Modelos de lenguaje grandes (LLMs) como NVIDIA Nemotron, Llama 3 o Qwen 7B/8B requieren cómputo dedicado para mantener un bajo tiempo hasta el primer token (TTFT) y un alto rendimiento por lotes. Sin embargo, los modelos de soporte en un pipeline de IA generativa, como los modelos de incrustación, ASR, TTS o guardrails, a menudo utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:

• Baja utilización: La utilización del cómputo de GPU suele estar entre el 0-10%.
• Inflación del clúster: Se necesitan más nodos para ejecutar la misma cantidad de pods.
• Fricción en la escalabilidad: Añadir una nueva capacidad requiere una nueva GPU física.

Para solucionar esto, es necesario romper la relación 1:1 entre pods y GPUs.

Estrategias de particionamiento

Se evaluaron dos estrategias principales para el particionamiento de GPU respaldadas por el Operador de GPU de NVIDIA.

Particionamiento basado en software: Segmentación temporal y MPS

La segmentación temporal permite que múltiples procesos NVIDIA CUDA compartan una GPU intercalando la ejecución, funcionando de manera similar a un programador de CPU.

• Mecanismo: Programación a nivel de software a través del controlador CUDA.
• Ventajas: Maximiza la utilización. Permite la «explosión»; si el Pod A está inactivo, el Pod B puede usar el 100% de los núcleos de cómputo de la GPU.
• Desventajas: Sin aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido.

Aparte de la segmentación temporal, el Servicio de Múltiples Procesos de NVIDIA (MPS) ofrece un enfoque alternativo basado en software. MPS permite que varios procesos compartan recursos de GPU de manera concurrente mediante una arquitectura de servidor-cliente. Sin embargo, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento.

MIG: El enfoque de hardware para el particionamiento

MIG particiona físicamente la GPU en instancias separadas, cada una con su propia memoria dedicada, caché y multiprocesadores de streaming (SMs). Para el sistema operativo y Kubernetes, estas apariencias como dispositivos PCI separados.

• Mecanismo: Aislamiento a nivel de hardware.
• Ventajas: Calidad de servicio (QoS) estricta. Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
• Desventajas: Tamaño rígido. Si una partición está inactiva, sus recursos de cómputo no pueden ser «tomados prestados» por un vecino.

Mientras que la segmentación temporal ofrece flexibilidad, MIG es preferido en entornos de producción donde se requiere un estricto aislamiento de fallos a nivel de hardware para cumplir con los acuerdos de nivel de servicio (SLA) empresariales.

Configuración experimental: El pipeline de voz AI

Para validar estas estrategias en un escenario realista de producción, utilizamos un pipeline de voz a voz AI. Esta carga de trabajo es ideal para benchmarking porque mezcla tres patrones de tráfico distintos.

Antes de optimizar, es crucial comprender nuestro perfil de latencia. En nuestro pipeline de voz a voz, el LLM es el principal cuello de botella. Bajo cargas pesadas, el LLM representa aproximadamente 9 segundos del tiempo total de procesamiento. Esta demora puede fluctuar significativamente según la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar usuarios) o historiales de conversación crecientes aumentan la sobrecarga de procesamiento.

Consolidar modelos de soporte como ASR y TTS ofrece una forma estratégica de maximizar la utilización del hardware mientras se mantiene la capacidad de respuesta de extremo a extremo. Aunque la consolidación puede introducir un ligero ajuste de latencia de 100-200 ms, las ganancias en el rendimiento de la infraestructura y el ROI son significativas.

Nuestra hipótesis

Consolidar cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y la variación mientras libera cómputo para instancias adicionales de LLM.

Experimento

Diseñamos tres configuraciones distintas para las pruebas. En cada ronda, utilizamos tres muestras de voz, esperando que la primera respuesta de LLM+TTS se complete. La configuración utilizó un clúster de Kubernetes, modelos desplegados mediante NVIDIA NIM, y gestionados por el Operador de NVIDIA NIM. El nodo trabajador tenía acceso a tres GPUs NVIDIA A100 Tensor Core.

• Experimento 1: Línea base con tres GPUs
  • Configuración: Una GPU dedicada para cada modelo (LLM, ASR, TTS).
  • Objetivo: Establecer el «estándar de oro» para latencia y rendimiento con el que medir la optimización.
  • Recurso: nvidia.com/gpu: 1 por pod.
• Experimento 2: Segmentación temporal con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. ASR y TTS comparten la GPU 0 usando segmentación temporal a nivel de software.
  • Objetivo: Probar si la programación dinámica puede manejar la contención entre ASR y TTS.
  • Recurso: nvidia.com/gpu: 1 (Compartido a través de replicas: 2).
• Experimento 3: Particionamiento MIG con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. La GPU 0 está particionada físicamente en dos instancias aisladas.
  • Objetivo: Probar si el aislamiento de hardware proporciona mejor estabilidad que la programación por software.
  • Recurso: nvidia.com/mig-3g.40gb: 1 por pod.

Nota de configuración: Para alcanzar estas topologías, utilizamos configuraciones específicas dentro del Operador de GPU de NVIDIA.

• Para el Experimento 2, utilizamos la configuración timeSlicing para publicitar múltiples réplicas por GPU física.
• Para el Experimento 3, aplicamos un mig-configs ConfigMap personalizado para particionar la GPU en dos instancias de 3g.40gb.

(Para los comandos kubectl y manifiestos YAML exactos utilizados para reproducir esta configuración, consulte el Apéndice de Implementación al final de esta publicación.)

Resultados

Para evaluar la fragmentación de recursos, probamos el sistema con dos patrones de tráfico distintos:

• Carga ligera: 5 usuarios concurrentes simulando aproximadamente 135 segundos de interacción sostenida.
• Carga pesada: 50 usuarios concurrentes simulando aproximadamente 375 segundos de interacción sostenida.

La Figura 5 compara el rendimiento de inferencia de IA generativa entre patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de proceso a medida que aumenta la concurrencia, en comparación con la línea base (GPUs dedicadas), segmentación temporal (compartición de software) y MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tienen una tasa de éxito del 100%, sin fallas.

Métricas de latencia media

El siguiente análisis evalúa cómo las diferentes estrategias de particionamiento de GPU afectan la eficiencia y la capacidad de respuesta del sistema.

Rendimiento en comparación con la latencia

Consolidar cargas de trabajo de ASR y TTS en una sola GPU resulta en un pipeline optimizado, permitiendo al clúster soportar más flujos de IA simultáneos. Sin embargo, nuestros benchmarks revelan una divergencia crítica de rendimiento entre las dos estrategias de particionamiento:

1. MIG (hardware): Mayor eficiencia 

El Experimento 3 alcanzó la mayor productividad por unidad, llegando a ~1.00 req/s por GPU. Al proporcionar caminos de hardware dedicados para cada instancia, MIG elimina la contención de recursos.

1. Segmentación temporal (software): Mayor densidad con sobrecarga 

El Experimento 2 mostró que el compartimiento a nivel de software también puede mejorar la densidad por GPU comparado a la línea base, alcanzando ~0.76 req/s por GPU. Sin embargo, la gestión de cambios de contexto rápidos entre modelos de streaming y de ráfaga introduce una sobrecarga de programación.

Latencia y el factor de ráfaga

La segmentación temporal maneja tareas individuales de ráfaga ligeramente más rápido, con una latencia media de TTS de 144.7 ms en comparación con los 168.2ms de MIG. Sin embargo, esta diferencia de 23.5 ms representa una pequeña fracción del tiempo de respuesta total del pipeline en la escala actual. Bajo carga pesada, el LLM representa la mayor parte del tiempo total de interacción.

Recomendaciones para el particionamiento

Basado en los datos de benchmark, recomendamos la siguiente matriz de decisiones:

1. Optar por MIG para escalas de producción y estabilidad
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo un leve compromiso en latencia.
   • El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso colapse a otro.
2. Usar segmentación temporal para desarrollo o aplicaciones de baja concurrencia
   • Esto implica una reducción del 32% en el rendimiento total y dependencias de recursos compartidos.
   • Mejor para desarrollo, CI/CD, y PoCs para ejecutar un pipeline completo en un mínimo hardware.

Comienza

1. Experimenta más: Prueba el repositorio.
2. Implementa particionamiento: Sigue nuestra Guía de Implementación para configurar perfiles MIG y utilizar los manifiestos YAML proporcionados.
3. Escala con NIM: Despliega NVIDIA NIM para maximizar la utilización de tus cargas de trabajo ASR, TTS y LLM.