Optimización del rendimiento de GPU en entornos Kubernetes mediante la consolidación de cargas de trabajo

Las ineficiencias en los entornos de producción de Kubernetes surgen de 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 de Kubernetes. Esto se debe a que el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente recursos entre múltiples modelos, lo que resulta en un uso subóptimo de recursos informáticos.

Resolver este problema 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 la segmentación temporal, para utilizar al máximo los recursos de computación.

Utilizando una canalización de IA de voz de grado de producción como nuestro banco de pruebas, mostramos cómo combinar modelos para maximizar el retorno de la inversión en infraestructura mientras se mantiene una confiabilidad superior al 99% y estrictas garantías de latencia.

Abordando la fragmentación de recursos de GPU

Por defecto, el Plugin de Dispositivos NVIDIA para Kubernetes muestra 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 lote. Sin embargo, los modelos de soporte en una canalización 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 suele estar entre 0 y 10%.
• Desbordamiento del clúster: se necesita aprovisionar 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 particionado

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

Particionado basado en software: Segmentación temporal y MPS

La segmentación temporal permite que múltiples procesos de NVIDIA CUDA compartan una GPU mediante la intercalación de ejecuciones. 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.
• 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: sin aislamiento de hardware. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido, y una computación pesada en un pod puede estrangular a los vecinos (el efecto de “vecino ruidoso”).

Además de la segmentación temporal, 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. Esto proporciona más flexibilidad que MIG y es más resistente a ciertos problemas como las fugas de memoria en comparación con la segmentación temporal 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 aislados, 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 compartan 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 transmisión (SMs). Para el sistema operativo y Kubernetes, estas parecen dispositivos PCI separados.

• Mecanismo: aislamiento a nivel de hardware.
• Ventajas: estricta calidad de servicio (QoS). Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
• Desventajas: sizing rígido. Si una partición está inactiva, sus recursos de computación no pueden ser “prestados” por un vecino.

Si bien 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 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 de misión crítica.

Configuración experimental: La canalización de IA de voz

Para validar estas estrategias en un escenario realista de producción, utilizamos una canalización 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 canalización 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 usuarios) o historias de conversación crecientes aumentan la sobrecarga de procesamiento en comparación con indicaciones cortas. A medida que se acumula la historia, 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 ligero ajuste de latencia de 100-200 ms, las ganancias en el rendimiento de la infraestructura y el retorno de la inversión 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 las pruebas. 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 utilizando NVIDIA NIM y gestionados por el NVIDIA NIM Operator. 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: Segmentación temporal con dos GPUs
  • Configuración: LLM retiene una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando segmentación temporal a nivel de software.
  • Objetivo: Probar si la programación dinámica puede manejar la contención de “vecinos ruidosos” entre ASR en streaming y TTS explosivo.
  • Recurso: nvidia.com/gpu: 1 (Compartido a través de replicas: 2).
• Experimento 3: Particionado 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 NVIDIA GPU Operator.

• Para el Experimento 2, utilizamos la configuración timeSlicing para publicitar 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 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.

La Figura 5 compara el rendimiento de inferencia de IA generativa a través de patrones de tráfico. Los datos muestran cómo el particionado afecta las solicitudes de procesos a medida que aumenta la concurrencia, en comparación con la línea base (GPUs dedicadas), segmentación temporal (compartición por software) y MIG (particionado por 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 del cuello de botella del LLM en la canalización.

Métricas de latencia media

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

Rendimiento comparado con la latencia

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en una canalización optimizada, permitiendo al clúster soportar 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, llegando a ~1.00 req/s por GPU. Al proporcionar rutas de hardware dedicadas para cada instancia, MIG elimina la contención de recursos. Las organizaciones pueden alcanzar casi la capacidad total del sistema mientras liberan efectivamente una GPU completa para otras cargas pesadas de LLM.

1. Segmentación temporal (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 en streaming y explosivos introduce sobrecarga en la programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento agregado proporcionada por el particionado de hardware.

Latencia y el factor explosivo

La segmentación temporal maneja tareas individuales explosivas 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 canalización 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 el siguiente matriz de decisiones:

1. Optar por MIG para escalas de producción y estabilidad
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo una ligera compensación en latencia.
   • El estricto aislamiento de fallos a nivel de hardware evita que un desbordamiento de memoria en un proceso choque con el otro.
   • Mejor para entornos de producción donde el rendimiento y la confiabilidad del 100% son las prioridades.
2. Utilizar la segmentación temporal 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 canalización 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 MIG y utilizar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
3. Escala con NIM: despliega canalizaciones NVIDIA NIM para utilizar completamente tus cargas de trabajo de ASR, TTS y LLM para un máximo retorno de inversión.