Optimiza el rendimiento de GPUs unificando cargas de trabajo subutilizadas en entornos Kubernetes

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 automático de voz (ASR) o de texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero ocupan una GPU completa en despliegues estándar de Kubernetes. Esto se debe a que el programador asigna un modelo a una o más GPU y no puede compartir fácilmente entre ellas, lo que provoca que los recursos informáticos costosos queden subutilizados.

Resolver esto no solo implica reducir costos, sino también optimizar la densidad del clúster para atender a más usuarios concurrentes en el mismo hardware de alta calidad. Esta guía detalla cómo implementar y evaluar estrategias de particionado de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y el tiempo de compartición, para aprovechar al máximo los recursos de computación.

Abordando la fragmentación de recursos de GPU

De forma predeterminada, el Plugin de Dispositivos NVIDIA 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 grandes (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 lote. Sin embargo, los modelos de soporte en una tubería de IA generativa—modelos de incrustación, ASR, TTS o salvaguardias—utilizan a menudo solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPU dedicadas resulta en:

• Baja utilización: la utilización de la computación en GPU suele estar entre 0-10%.
• Exceso de nodos: se requieren más nodos para ejecutar la misma cantidad de pods.
• Dificultades para escalar: agregar una nueva capacidad requiere una nueva GPU física.

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

Arquitectura: Estrategias de particionado

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

Particionado basado en software: Tiempo de compartición y MPS

El tiempo de compartición permite que múltiples procesos NVIDIA CUDA compartan una GPU intercalando la ejecución, funcionando de manera similar a un programador de CPU: el contexto A se ejecuta, se pausa, y el contexto B se ejecuta.

• Mecanismo: programación a nivel de software a través del controlador CUDA.
• Ventajas: 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.
• Desventajas: no hay aislamiento de hardware. Un desbordamiento de memoria en un pod puede afectar el contexto de ejecución compartido, y un alto consumo en un pod puede ralentizar a los vecinos (el efecto del “vecino ruidoso”).

Además del tiempo de compartición, el Servicio de Múltiples Procesos de NVIDIA (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU de manera concurrente utilizando una arquitectura de servidor-cliente, brindando más flexibilidad que MIG y siendo más resiliente a ciertos problemas como fugas de memoria en comparación con el tiempo de compartición estándar.

No obstante, en producción, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento. Aunque el MPS moderno proporciona espacios de direcciones virtuales aisladas, carece de aislamiento de fallos a nivel de hardware. Esto significa que un error fatal de ejecución o un acceso de memoria ilegal en un proceso se propagará a través del contexto compartido, potencialmente llevando a un reinicio de la GPU que afecte a otros procesos que comparten la tarjeta.

MIG: El enfoque de hardware para el particionado

MIG particiona físicamente la GPU en instancias separadas, cada una con su propia memoria dedicada, caché y multiprocesadores de streaming (SMs). Para el SO y Kubernetes, estas se ven 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: dimensionamiento rígido. Si una partición está inactiva, sus recursos de computación no pueden ser “prestados” por un vecino.

Aunque el tiempo de compartición 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 acuerdos de nivel de servicio (SLA) empresariales. El particionado de hardware asegura que un error de memoria en un modelo no pueda causar una falla en cascada a través de la GPU compartida, un requisito crítico para la IA de voz en situaciones críticas.

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 según la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar a los usuarios) o historias de conversación crecientes aumentan la sobrecarga de procesamiento en comparación con indicaciones cortas. A medida que la historia se acumula, el LLM debe procesar más tokens antes de generar una respuesta, extendiendo 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 leve ajuste en la latencia de 100-200 ms, las ganancias en el rendimiento de la infraestructura y el ROI son significativas.

Nuestra hipótesis

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU preserva la latencia y la variabilidad mientras libera computación 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 de LLM+TTS se complete. La configuración utilizó un clúster de Kubernetes, modelos desplegados con 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 contra el cual medir la optimización.
  • Recurso: nvidia.com/gpu: 1 por pod.
• Experimento 2: Tiempo de compartición con dos GPUs
  • Configuración: el LLM retiene una GPU dedicada. ASR y TTS comparten la GPU 0 usando tiempo de compartición 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: Particionado MIG con dos GPUs
  • Configuración: el LLM retiene una GPU dedicada. La GPU 0 se particiona 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 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 exactos 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.

Figura 5. Comparación de rendimiento

La Figura 5 compara el rendimiento de inferencia de IA generativa entre patrones de tráfico. Los datos muestran cómo el particionado afecta las solicitudes de proceso a medida que aumenta la concurrencia, entre la línea base (GPUs dedicadas), el tiempo de compartición (compartición de software) y MIG (particionado de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tienen una tasa de éxito del 100%, sin fallas. La tasa actual de req/s es la razón para el cuello de botella del LLM en la tubería.

Métricas de latencia media

Figura 6. Latencia en carga pesada

Figura 7. Latencia en carga ligera

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

Rendimiento comparado con latencia

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

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. Las organizaciones pueden alcanzar casi la plena capacidad del sistema mientras liberan efectivamente una GPU completa para otras cargas de trabajo LLM pesadas.

1. Tiempo de compartición (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 línea base, alcanzando ~0.76 req/s por GPU. Sin embargo, la gestión de cambios de contexto rápidos entre modelos de transmisión y de explosión introduce sobrecarga de programación. Aunque es funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado proporcionada por el particionado de hardware.

Latencia y el factor de explosión

El tiempo de compartición maneja tareas individuales de explosión 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 de la tubería 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 es una métrica de producción más valiosa.

Recomendaciones para el particionado

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

1. Predeterminar 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 pequeño compromiso en latencia.
   • El estricta aislamiento de fallos a nivel de hardware previene que un desbordamiento de memoria en un proceso colapse al otro.
   • Mejor para entornos de producción donde el rendimiento y la fiabilidad al 100% son las prioridades.
2. Usar tiempo de compartición 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 una tubería completa en una huella de hardware mínima.

Comienza

1. Experimenta más: prueba el repositorio.
2. Implementa el particionado: sigue nuestra Guía de Implementación para configurar perfiles de MIG y usar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
3. Escala con NIM: despliega tuberías de NVIDIA NIM para aprovechar al máximo tus cargas de trabajo de ASR, TTS y LLM para un máximo ROI.