大模型与AI底层技术揭秘（小结-下）

在大型的计算集群中，往往有成千上万张GPU卡。如何将这些卡构成的算力集群分配给不同的租户，执行租户各自的计算任务，并实现租户之间的资源隔离和故障隔离呢？这就是算力分配与调度系统的功能了。

最简单的算力分配与调度方式是虚拟化，也就是在一台物理机上运行一台或多台虚拟机，每台虚拟机上分配一张或多张GPU卡。这种方式需要将一个PCI-E设备直通给虚拟机，也就是将PCI-E设备的配置空间、IO bar指向的物理地址、以及DMA所需要的内存地址空间均映射给虚拟机使用，并将GPU卡的中断映射给虚拟机使用。由于在ARM下，这种映射需要软件处理，还会带来一部分性能的下降。

由于应用的云原生化是大势所趋，为了满足给容器分配GPU的需求，NVidia为Kubernetes增加了device-plugin机制，实现了将一个设备（不一定是GPU设备，甚至不一定是PCI-E设备）直通给容器。

但是，对于推理等场景，有可能一个应用并不需要一整个GPU进行计算，而可以将一个GPU共享给多个应用使用。这就是所谓的GPU虚拟化。GPU虚拟化有时分复用和空分复用两种方式。最初的vCUDA技术和GRID vGPU技术属于所谓的时分复用，也就是在虚拟机的CUDA层或宿主机的GPU驱动层拦截CUDA调用，并分配物理GPU的时间片进行计算。

这种时分复用的方式对性能影响很大，因此，AMD另辟蹊径，使用SRIOV方式对GPU进行空分复用。但由于这种方式无法实现故障隔离，一个SRIOV虚拟实例可以随便访问其他实例的数据，甚至损坏其他实例的数据，存在严重的安全隐患，因此NVidia在MIG（Multiple Instance GPU）中解决了这一问题。MIG的缺陷在于，只有高端的H100等训练卡才支持这一功能。

另一条GPU虚拟化的思路则是利用容器技术进行虚拟化。腾讯TKE的早期版本使用了类似vCUDA的实现思路，而阿里云的cGPU则直接对NVidia的GPU驱动进行了逆向工程，使用所谓内核劫持方式，对容器呈现虚拟的GPU设备，在容器工作节点上调度算力，从而减少了性能损耗。

但是，阿里云cGPU也有一些缺陷，如无法绝对避免资源的挤占，不能实现真正的公平调度。而腾讯云qGPU就实现了这些能力，做到了真正的运营级GPU调度。

GPU的指令集是图灵完备的，不但支持加减乘除等算术指令，还具备判断、分支、循环、调用、返回等指令。GPU与CPU内部最大的差异是，CPU的每个核/线程都拥有自己的指令译码和发射单元，但GPU是每个线程束才有一个指令译码/发射单元的。这就导致，如果一个线程束中一部分CUDA核与另一部分CUDA核走到了不同的分支，会使得并行执行变成串行执行。

在GPU中还提供了线程同步指令，如指令同步和内存屏障，保证在所有线程执行到这一指令后再继续，或在这一指令前的所有写内存事务都完成。

GPU对内存的访问并不是直接进行的，而是有类似CPU的寄存器-缓存-内存组织结构。GPU的设计者考虑到减少上下文切换时，将寄存器内容压入到内存堆栈的开销，为GPU设计了较大的寄存器容量，其大小和L1缓存相当。GPU的各个SM还有共享的L2缓存，作为访问内存前的最后一道防线。

GPU中，除了CUDA Core和Tensor Core以外，实际上还有SFU，用于快速计算一些无理函数和超越函数的值，而不需要让CUDA核计算麦克劳林展开。

在接下来的专题中，我们将介绍一些计算机基础知识的硬核内幕——

请看下期。