什么是GPU多实例(MIG) ？

导读：AMD收购Xilinx(点击阅读)，Intel、AMD和Nvidia三家脱颖而出，FPGA芯片行业完成新一轮清洗，Nvidia在协处理器芯片行业内功深厚，三足鼎立之势已经形成。

随着 GPU 的应用越来越广泛，应用场景愈发多元，对 GPU 的利用率的要求也不断提升，传统虚拟化方法之下，GPU 计算资源的浪费对计算效率造成的的影响日渐凸显，提升算力以外，破解资源浪费难题也已迫在眉睫。

多实例GPU（MIG）就这样应运而生......

多实例 GPU (MIG) 可提升每个 NVIDIA A100 Tensor 核心 GPU 的性能和价值。MIG 可将 A100 GPU 划分为多达七个实例，每个实例均与各自的高带宽显存、缓存和计算核心完全隔离。现在，管理员可以支持从大到小的各项工作负载，为每项工作提供规模适当的 GPU，而且服务质量 (QoS) 稳定可靠，从而优化利用率，让每位用户都能享用加速计算资源。

若不使用 MIG，则同一 GPU 上运行的不同工作（例如不同的 AI 推理请求）会争用相同的资源（例如显存带宽）。显存带宽更大的工作会占用其他工作的资源，导致多项工作无法达成延迟目标。借助 MIG，工作可同时在不同的实例上运行，每个实例都有专用的计算、显存和显存带宽资源，从而实现可预测的性能，同时符合服务质量并尽可能提升 GPU 利用率。

利用多实例 GPU 大幅提升性能和利用率，观看视频：

一个 NVIDIA A100 GPU 可划分成不同大小的 MIG 实例。例如，管理员可以创建两个各有 20 千兆字节 (GB) 内存的实例、三个各有 10 GB 内存的实例、七个各有 5 GB 内存的实例或者它们的组合。因此，系统管理员可以根据不同类型的工作负载为用户提供适当规模的 GPU 资源。

管理员还可以动态地重新配置 MIG 实例，从而能根据不断变化的用户和业务需求调整 GPU 资源。例如，白天可以使用七个 MIG 实例进行低吞吐量推理，而夜间可以重新配置为一个大型 MIG 实例，以进行深度学习训练。

每个 MIG 实例都有一套专用于计算、内存和缓存的硬件资源，从而能为工作负载提供稳定可靠的服务质量 (QoS) 和有效的故障隔离。这样一来，如果某个实例上运行的应用程序发生故障，并不会影响其他实例上运行的应用程序。而且，不同的实例可以运行不同类型的工作负载，包括交互式模型开发、深度学习训练、AI 推理或高性能计算应用程序等。由于这些实例并行运行，因此工作负载也在同一个物理 A100 GPU 上同时运行，但它们彼此相互独立、隔离。

MIG 非常适合 AI 模型开发和低延迟推理等工作负载。这些工作负载可以充分利用 A100 的功能，并且很适合在每个实例的已分配内存中运行。

每个 MIG 实例对于应用程序都像独立 GPU 一样运行，因此 CUDA® 编程模式没有变化。容器（例如来自 NGC™ 的容器）中的 AI 模型和高性能计算应用程序可以通过 NVIDIA Container Runtime 直接在 MIG 实例上运行。MIG 实例作为附加的 GPU 资源出现在 Kubernetes 等容器编排工具中，这些工具可以安排容器化工作负载在特定 GPU 实例内运行。这项功能很快便可通过 适用于 Kubernetes 的 NVIDIA 设备插件提供

组织可以通过 NVIDIA Virtual Compute Server (vCS) 在 MIG GPU 实例上利用基于服务器虚拟化平台的服务器虚拟化在管理、监控和操作方面带来的优势，包括实时迁移和多租户。

来源：丽台科技

相关阅读：