Optimiza el uso de GPUs en Kubernetes al consolidar cargas de trabajo subutilizadas

La optimización del rendimiento en entornos de producción de Kubernetes es fundamental para la eficiencia en el uso de GPUs. 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 provoca que recursos computacionales costosos permanezcan subutilizados.

Abordar este problema no solo reduce costos; también optimiza la densidad del clúster para atender más usuarios concurrentes con 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 uso de time-slicing, para aprovechar al máximo los recursos computacionales.

Utilizando un pipeline de voz AI de calidad de producción como base, se demostrará cómo combinar modelos para maximizar el retorno de inversión 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 asigna 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 lotes. Sin embargo, los modelos de soporte en un pipeline de IA generativa, como los modelos de incrustación, ASR, TTS o guardrails, utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:

• Baja utilización: la utilización de computación GPU a menudo se mantiene entre 0-10%.
• Exceso de nodos: se requieren más nodos para ejecutar la misma cantidad de pods.
• Fricción en la escalabilidad: agregar una nueva capacidad requiere una nueva GPU física.

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

Estrategias de particionado

Se evaluaron dos estrategias principales para el particionado de GPUs soportadas por el Operador de GPU de NVIDIA.

Particionado basado en software: Time-slicing y MPS

El time-slicing permite que múltiples procesos NVIDIA CUDA compartan una GPU alternando 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 “bursting”—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 un alto consumo en un pod puede limitar a los vecinos (el efecto del “vecino ruidoso”).

Además del time-slicing, el Servicio de Múltiples Procesos de NVIDIA (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan recursos de GPU concurrentemente utilizando una arquitectura cliente-servidor. Esto proporciona más flexibilidad que MIG y es más resiliente a ciertos problemas como fugas de memoria en comparación con el time-slicing 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 implica que un error de ejecución fatal o un acceso ilegal a memoria 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 particionado

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 instancias se ven como dispositivos PCI separados.

• Mecanismo: Aislamiento a nivel de hardware.
• Pros: Calidad de servicio (QoS) estricta. 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.

Si bien el time-slicing 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 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 misiones críticas.

Configuración experimental: El pipeline de voz AI

Para validar estas estrategias en un escenario realista de producción, utilizamos un pipeline de voz a 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 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. Este retraso puede fluctuar significativamente según la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenamiento de usuarios) o conversaciones en aumento aumentan la sobrecarga de procesamiento en comparación con mensajes cortos. A medida que se acumula el historial, 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 ofrece 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 de infraestructura 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 la variabilidad, liberando recursos computacionales para instancias adicionales de LLM.

Experimento

Diseñamos tres configuraciones distintas para las pruebas. En cada ronda, utilizamos tres muestras de voz, esperando a que la primera respuesta de LLM+TTS se completara. La configuración utilizó un clúster de Kubernetes, modelos desplegados usando NVIDIA NIM, y gestionados por el Operador NIM de NVIDIA. 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: Time-slicing con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando time-slicing a nivel de software.
  • Objetivo: Probar si la programación dinámica puede manejar la contención del “vecino ruidoso” entre ASR en streaming y TTS variable.
  • 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 físicamente particionada 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 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 mig-configs ConfigMap 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 en solicitudes por segundo por GPU a través de patrones de tráfico. Los datos muestran cómo el particionado afecta las solicitudes de proceso a medida que aumenta la concurrencia, comparando la línea base (GPUs dedicadas), el time-slicing (compartición por software) y MIG (particionamiento de hardware) bajo cargas ligeras y pesadas. Todos los experimentos tuvieron una tasa de éxito del 100%, sin fallos. La actual req/s es la razón del cuello de botella en el LLM en el pipeline.

Métricas de latencia media

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

Rendimiento en comparación con la 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 de rendimiento entre las dos estrategias de particionado:

1. MIG (hardware): Mayor eficiencia

El Experimento 3 alcanzó la mayor productividad por unidad, logrando aproximadamente 1.00 req/s por GPU. Al proporcionar rutas de hardware dedicadas para cada instancia, MIG elimina la contención de recursos. Las organizaciones pueden lograr casi la capacidad total del sistema mientras liberan efectivamente una GPU completa para otras cargas de trabajo pesadas de LLM.

1. Time-slicing (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, logrando aproximadamente 0.76 req/s por GPU. Sin embargo, la gestión de cambios de contexto rápidos entre modelos de streaming y variables introduce una sobrecarga de programación. Si bien es funcional, este enfoque basado en software no alcanza la eficiencia total de rendimiento que proporciona el particionado de hardware.

Latencia y el factor variable

El time-slicing maneja tareas individuales variables 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 de rendimiento de MIG es una métrica de producción más valiosa.

Recomendaciones para el particionado

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

1. Optar por MIG para escalabilidad y estabilidad en producción
   • El Experimento 3 mostró que MIG maneja mayores volúmenes de solicitudes (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.
   • Mejor para entornos de producción donde el rendimiento y la fiabilidad al 100% son prioridades.
2. Utilizar time-slicing 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 Pruebas de Concepto para ejecutar un pipeline completo 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 MIG y utilizar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
3. Escala con NIM: Despliega pipelines de NVIDIA NIM para utilizar completamente tus cargas de trabajo de ASR, TTS y LLM para un retorno de inversión máximo.