Optimiza el uso de GPUs en Kubernetes con nuevas estrategias de particionado

En entornos de producción de Kubernetes, la diferencia entre los requisitos de los modelos y el tamaño de las GPU genera ineficiencias. Modelos ligeros de reconocimiento de voz automático (ASR) o de texto a voz (TTS) requieren solo 10 GB de VRAM, pero ocupan una GPU completa en implementaciones estándar de Kubernetes. Esto sucede porque el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente entre GPUs y modelos, lo que lleva a que recursos computacionales costosos permanezcan subutilizados.

Resolver este problema no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes con el mismo hardware de alta calidad. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente la GPU Multi-Instance (MIG) de NVIDIA y el time-slicing para utilizar completamente los recursos computacionales.

Abordando la fragmentación de recursos de GPU

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

Los modelos de lenguaje grandes (LLM) como NVIDIA Nemotron, Llama 3 o Qwen 7B/8B requieren computación dedicada para mantener un bajo tiempo hasta el primer token (TTFT) y un alto rendimiento por lotes. Sin embargo, los modelos de apoyo en una tubería 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 de computación de GPU a menudo se mantiene entre 0-10%.
• Creación de clústeres innecesarios: Se requieren más nodos para ejecutar la misma cantidad de pods.
• Fricción en la escalabilidad: Agregar una nueva capacidad requiere una nueva GPU física.

Para resolver esto, debemos romper la relación 1:1 entre pods y GPUs.

Arquitectura: Estrategias de particionamiento

Evaluamos dos estrategias principales para el particionamiento de GPU soportadas por el Operador de GPU de NVIDIA.

Particionamiento basado en software: Time-slicing y MPS

El time-slicing permite que múltiples procesos de NVIDIA CUDA compartan una GPU mediante la ejecución intercalada. Funciona de manera similar a un programador de CPU: el contexto A se ejecuta, se pausa y luego se ejecuta el contexto B.

• Mecanismo: Programación a nivel de software a través del controlador CUDA.
• Pros: Maximiza la utilización. Permite “bursting”; si el Pod A está inactivo, el Pod B puede utilizar el 100% de los núcleos de computación de la GPU.
• Contras: Sin aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido.

Además del time-slicing, el Servicio de Múltiples Procesos (MPS) de NVIDIA ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU concurrentemente mediante una arquitectura de cliente-servidor, proporcionando más flexibilidad que MIG.

No obstante, en producción, ambos métodos comparten un solo contexto de ejecución, limitando el aislamiento. Aunque MPS moderno proporciona espacios de direcciones virtuales aisladas, carece de aislamiento de fallos a nivel de hardware.

MIG: El enfoque de hardware para el particionamiento

El MIG partitiona físicamente la GPU en instancias separadas, cada una con su propia memoria, caché y multiprocesadores de transmisión (SMs). Para el sistema operativo y Kubernetes, estas se ven como dispositivos PCI separados.

• Mecanismo: Aislamiento a nivel de hardware.
• Pros: Estricto control de calidad de servicio (QoS). Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
• Contras: Tamaño rígido. Si una partición está inactiva, sus recursos de computación no pueden ser “tomados prestados” por otra.

Mientras que el time-slicing ofrece flexibilidad, MIG es preferido para entornos de producción donde se requiere un estricto aislamiento de fallos a nivel de hardware.

Configuración experimental: La tubería de IA de voz

Para validar estas estrategias en un escenario realista de producción, utilizamos una tubería de IA de voz multimodal. Esta carga de trabajo es ideal para la evaluación porque mezcla tres patrones de tráfico distintos.

Antes de optimizar, es fundamental entender nuestro perfil de latencia. En nuestra tubería 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. Este retraso puede fluctuar significativamente según la longitud del contexto.

Consolidar modelos de apoyo como ASR y TTS proporciona un camino estratégico para maximizar la utilización del hardware mientras se mantiene la capacidad de respuesta de extremo a extremo. La consolidación puede introducir un ligero ajuste de latencia de 100-200 ms, pero las ganancias en el rendimiento de la infraestructura son significativas.

Nuestra hipótesis

Consolidar cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y el jitter mientras libera computación 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. El entorno utilizó un clúster de Kubernetes y modelos desplegados mediante NVIDIA NIM.

• 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.
  • Recurso: nvidia.com/gpu: 1 por pod.
• Experimento 2: Time-slicing con dos GPUs
  • Configuración: LLM mantiene una GPU dedicada. ASR y TTS comparten la GPU 0 usando time-slicing.
  • Objetivo: Probar si la programación dinámica puede manejar la contención entre ASR y TTS.
  • Recurso: nvidia.com/gpu: 1 (Compartido).
• Experimento 3: Particionamiento MIG con dos GPUs
  • Configuración: LLM mantiene una GPU dedicada. La GPU 0 está particionada físicamente en dos instancias aisladas.
  • Objetivo: Probar si el aislamiento hardware proporciona mejor estabilidad.
  • Recurso: nvidia.com/mig-3g.40gb: 1 por pod.

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

Resultados

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

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

La figura 5 compara el rendimiento de inferencia de IA generativa. Los datos muestran cómo el particionamiento afecta las solicitudes de proceso a medida que aumenta la concurrencia, comparando la línea base, time-slicing y MIG.

Métricas de latencia media

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

Recomendaciones para el particionamiento

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

1. Default a MIG para escala de producción y estabilidad.
2. Usar time-slicing para desarrollo o aplicaciones de baja concurrencia.