Optimiza el rendimiento de GPU en Kubernetes con estrategias de particionamiento

Las ineficiencias en los entornos de Kubernetes de producción surgen debido a la discrepancia entre los requisitos de los modelos y el tamaño de las GPU. Modelos ligeros de reconocimiento automático de voz (ASR) o de texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero ocupan una GPU completa en implementaciones estándar. Esto se debe a que el programador asigna un modelo a una o más GPU y no puede compartir fácilmente entre ellas.

Resolver este problema no solo implica una reducción de costos, sino también una optimización de la densidad del clúster para atender a más usuarios concurrentes con el mismo hardware de alta gama. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y la segmentación temporal, para aprovechar completamente los recursos computacionales.

Abordando la fragmentación de recursos de GPU

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

Modelos de lenguaje grande (LLM) como NVIDIA Nemotron, Llama 3, o Qwen 7B/8B requieren computación dedicada para mantener un bajo tiempo de primer token (TTFT) y un alto rendimiento por lotes. Sin embargo, los modelos de soporte en una tubería de IA generativa, como los modelos de incrustación, ASR, TTS o guardrails, a menudo utilizan solo una fracción de la capacidad de la tarjeta. Ejecutar estos modelos ligeros en GPU dedicadas resulta en:

• Baja utilización: La utilización de la computación de GPU suele estar entre el 0 y el 10%.
• Exceso de nodos: Se necesitan más nodos para ejecutar el mismo número de pods.
• Dificultades de escalado: Añadir una nueva capacidad requiere una nueva GPU física.

Por tanto, debemos romper la relación 1:1 entre pods y GPUs.

Arquitectura: Estrategias de particionamiento

Evaluamos dos estrategias principales para el particionamiento de GPU apoyadas por el NVIDIA GPU Operator.

Particionamiento basado en software: Segmentación temporal y MPS

La segmentación temporal permite que múltiples procesos NVIDIA CUDA compartan una GPU intercalando la ejecución. Funciona de manera similar a un programador de CPU: el contexto A se ejecuta, se pausa y luego el contexto B se ejecuta.

• Mecanismo: Programación a nivel de software a través del controlador CUDA.
• Pros: Maximiza la utilización. Permite “explosiones”: si el Pod A está inactivo, el Pod B puede usar 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 de la segmentación temporal, el NVIDIA Multi-Process Service (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU de manera concurrente utilizando una arquitectura cliente-servidor. Esto proporciona más flexibilidad que MIG y es más resistente a ciertos problemas, como fugas de memoria.

Sin embargo, en producción, ambos métodos comparten un único contexto de ejecución, lo que limita el aislamiento. Aunque MPS moderno proporciona espacios de direcciones virtuales aislados, carece de aislamiento de fallos a nivel de hardware, lo que significa que un error de ejecución fatal en un proceso se propagará al contexto compartido.

MIG: El enfoque de hardware para la partición

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

• Mecanismo: Aislamiento a nivel de hardware.
• Pros: Calidad de servicio estricta (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 “prestados” por un vecino.

Aunque 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 SLA empresariales. El particionamiento de hardware asegura que un error de memoria en un modelo no cause una falla en cascada en la GPU compartida.

Configuración experimental: La tubería de IA de voz

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

Antes de optimizar, es crucial entender nuestro perfil de latencia. En nuestra tubería de voz a voz, el LLM es el principal cuello de botella, representando aproximadamente 9 segundos del tiempo total de procesamiento bajo cargas pesadas. Este retraso puede fluctuar significativamente dependiendo de la longitud del contexto; por ejemplo, escenarios de alta entrada aumentan la sobrecarga de procesamiento en comparación con entradas cortas.

Consolidar modelos de soporte 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. Aunque la consolidación puede introducir un ligero ajuste de latencia de 100-200 ms, las ganancias en rendimiento y retorno de inversión son significativas.

Nuestra hipótesis

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y el jitter mientras libera capacidad computacional 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 del LLM + TTS se complete. La configuración utilizó un clúster de Kubernetes, modelos implementados mediante NVIDIA NIM, y gestionados por el operador NVIDIA NIM. El nodo de trabajo 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” de latencia y rendimiento para comparar optimizaciones.
  • Recurso: nvidia.com/gpu: 1 por pod.
• Experimento 2: Segmentación temporal con dos GPUs
  • Configuración: LLM mantiene una GPU dedicada. ASR y TTS comparten la GPU 0 usando segmentación temporal.
  • 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 mantiene una GPU dedicada. La GPU 0 se divide físicamente en dos instancias aisladas.
  • Objetivo: Probar si el aislamiento de hardware proporciona mejor estabilidad que la programación de software.
  • Recurso: nvidia.com/mig-3g.40gb: 1 por pod.

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

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

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 sostenida.
• Carga pesada: 50 usuarios concurrentes simulando ~375 segundos de interacción sostenida.

La figura 5 compara el rendimiento de inferencia de AI generativa bajo diferentes patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de proceso a medida que aumenta la concurrencia. Todos los experimentos tienen una tasa de éxito del 100%, sin fallos.

Métricas de latencia media

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

Rendimiento en comparación con latencia

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

1. MIG (hardware): Mayor eficiencia

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

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

El Experimento 2 demostró que el uso compartido a nivel de software también puede mejorar la densidad por GPU en comparación con la línea base, logrando ~0.76 req/s por GPU. Sin embargo, la gestión de cambios de contexto introduce sobrecarga de programación.

Por tanto, la estabilidad de rendimiento de MIG es un métrico más valioso en producción.

Recomendaciones para el particionamiento

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

1. Optar por MIG para escalabilidad y estabilidad
2. Utilizar segmentación temporal para desarrollo o aplicaciones de baja concurrencia

Comenzar

1. Experimentar más: Prueba el repositorio.
2. Implementar particionamiento: Sigue nuestra Guía de Implementación.
3. Escalar con NIM: Despliega tuberías NVIDIA NIM.