Optimiza el rendimiento de GPU en Kubernetes consolidando cargas de trabajo subutilizadas

En entornos de producción de Kubernetes, la discrepancia entre los requisitos del modelo y el tamaño de la GPU genera ineficiencias. Modelos ligeros de reconocimiento automático de voz (ASR) o conversión de texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero ocupan toda una GPU en implementaciones estándar de Kubernetes. Esto ocurre porque el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente recursos entre ellas.

Resolver esta situación no solo reduce costos, sino que también optimiza la densidad del clúster para atender a más usuarios concurrentes utilizando el mismo hardware de alta calidad. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, en particular NVIDIA Multi-Instance GPU (MIG) y el tiempo de ejecución compartido, para utilizar completamente los recursos computacionales.

Usando una tubería de IA de voz de grado producción como nuestro campo de prueba, mostramos cómo combinar modelos para maximizar el retorno de inversión en infraestructura, manteniendo una fiabilidad superior al 99% y estrictas garantías de latencia.

Abordando la fragmentación de recursos de 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 de gran tamaño (LLMs) 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 soporte en una tubería de IA generativa, como modelos de incrustación, ASR, TTS o salvaguardias, a menudo utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:

• Baja utilización: la utilización de la computación de GPU a menudo ronda entre el 0-10%.
• Expansión del clúster: se necesita aprovisionar más nodos para ejecutar el mismo número 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 GPUs soportadas por el Operador de GPU de NVIDIA.

Particionamiento basado en software: Tiempo compartido y MPS

El tiempo compartido 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 se ejecuta el contexto B.

• 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, y una carga de cómputo pesada en un pod puede limitar a los vecinos (el efecto de “vecino ruidoso”).

Además del tiempo compartido, el Servicio de Múltiples Procesos de NVIDIA (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU simultáneamente utilizando una arquitectura de servidor-cliente. Esto proporciona más flexibilidad que MIG y es más resistente a ciertos problemas como las fugas de memoria en comparación con el tiempo compartido estándar.

Sin embargo, en producción, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento. Mientras que el MPS moderno proporciona espacios de direcciones virtuales aisladas, carece de aislamiento de fallos a nivel de hardware. Esto significa que un error de ejecución fatal o un acceso a memoria ilegal en un proceso se propagará a través del contexto compartido, lo que podría llevar a un reinicio de la GPU que afecte a otros procesos que comparten la tarjeta.

MIG: El enfoque de hardware para el particionamiento

MIG particiona 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: estricta calidad de servicio (QoS). Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
• Contras: dimensionamiento rígido. Si una partición está inactiva, sus recursos de computación no pueden ser “tomados prestados” por un vecino.

Mientras que el tiempo compartido ofrece flexibilidad, MIG es preferido para 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 garantiza que un error de memoria en un modelo no pueda causar un fallo en cascada a través de la GPU compartida, un requisito crítico para una IA de voz fundamental.

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 crucial 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 dependiendo de la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar usuarios) o historias de conversación crecientes aumentan la sobrecarga de procesamiento en comparación con mensajes cortos. A medida que la historia se acumula, el LLM debe procesar más tokens antes de generar una respuesta, ampliando el cuello de botella que los modelos de soporte deben enmascarar.

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 el rendimiento de la infraestructura y el retorno de inversión son significativas.

Nuestra hipótesis

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y la fluctuación, al tiempo que libera recursos computacionales para instancias adicionales de LLM.

Experimento

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

• Experimento 1: Base con tres GPUs
  • Configuración: una GPU dedicada para cada modelo (LLM, ASR, TTS).
  • Objetivo: establecer el “estándar de oro” para latencia y rendimiento contra el cual medir la optimización.
  • Recurso: nvidia.com/gpu: 1 por pod.
• Experimento 2: Tiempo compartido con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando tiempo compartido a nivel de software.
  • Objetivo: probar si la programación dinámica puede manejar la contención del “vecino ruidoso” entre ASR en streaming y TTS en ráfagas.
  • 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 se particiona físicamente en dos instancias aisladas.
  • Objetivo: probar si el aislamiento de hardware proporciona mayor 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 Operador de GPU de NVIDIA.

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

(Para los comandos exactos de kubectl y los manifiestos YAML 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 ~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 IA generativa a través de patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de procesos a medida que aumenta la concurrencia, a través de la base (GPUs dedicadas), tiempo compartido (compartición de software) y MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tienen una tasa de éxito del 100%, sin fallos. La tasa actual de req/s es la razón del cuello de botella en el LLM en la tubería.

Métricas de latencia media

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

Rendimiento comparado con latencia

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en un pipeline optimizado, permitiendo que el clúster soporte más flujos de IA simultáneos. Sin embargo, nuestros benchmarks revelan una divergencia crítica en el rendimiento 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. Las organizaciones pueden alcanzar casi toda la capacidad del sistema mientras liberan efectivamente toda una GPU para otras cargas pesadas de LLM.

1. Tiempo compartido (software): Mayor densidad con sobrecarga

El Experimento 2 mostró que la compartición a nivel de software también puede mejorar la densidad por GPU en comparación con la base, logrando ~0.76 req/s por GPU. Sin embargo, la gestión de rápidos cambios de contexto entre modelos en streaming y en ráfagas introduce una sobrecarga de programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado proporcionada por el particionamiento de hardware.

Latencia y el factor de ráfaga

El tiempo compartido maneja tareas individuales en ráfagas ligeramente más rápido, con una latencia media de TTS de 144.7 ms en comparación con los 168.2 ms de MIG. Sin embargo, esta diferencia de 23.5 ms representa una pequeña fracción del tiempo total de respuesta del pipeline en la escala actual. Bajo carga pesada, el LLM representa la mayor parte del tiempo total de interacción. Dado que el usuario final no puede percibir un delta de 20 ms dentro de una respuesta de varios segundos, la estabilidad del rendimiento de MIG se convierte en una métrica más valiosa para la producción.

Recomendaciones para el particionamiento

Basado en los datos de referencia, recomendamos el siguiente conjunto de decisiones:

1. Default a MIG para escala y estabilidad en producción
   • El Experimento 3 mostró que MIG maneja mayores volúmenes de solicitudes (2 req/s) con solo una ligera compensación en latencia.
   • El estricto aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso colapse el otro.
   • Mejor para entornos de producción donde el rendimiento y la fiabilidad al 100% son las prioridades.
2. Utilizar tiempo compartido 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 una huella de hardware mínima.

Comienza

1. Experimenta más: prueba el repositorio.
2. Implementa el particionamiento: sigue nuestra Guía de Implementación para configurar perfiles MIG y utilizar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
3. Escala con NIM: despliega tuberías NVIDIA NIM para utilizar completamente tus cargas de trabajo de ASR, TTS y LLM para obtener el máximo retorno de inversión.