高性能 GPU 服务器硬件拓扑与集群组网（2023）

记录一些平时接触到的 GPU 知识。由于是笔记而非教程，因此内容不会追求连贯，有基础的同学可作查漏补缺之用。

水平有限，文中不免有错误或过时之处，请酌情参考。

1 术语与基础

大模型训练一般都是用单机 8 卡 GPU 主机组成集群，机型包括 8*{A100,A800,p00,H800} 可能还会用最近即将上市的 {4,8}*L40S 等 。 下面一台典型 8*A100 GPU 的主机内硬件拓扑：

典型 8 卡 A100 主机硬件拓扑

本节将基于这张图来介绍一些概念和术语，有基础的可直接跳过。

1.1 PCIe 交换芯片

CPU、内存、存储（NVME）、GPU、网卡等 支持 PICe 的设备 ，都可以连接到 PCIe 总线或专门的 PCIe 交换芯片，实现互联互通。

PCIe 目前有 5 代产品，最新的是 Gen5 。

1.2NVLink

定义

Wikipedia 上 NVLink 上的定义：

NVLink is a wire-based serial multi-lane near-range communications link developed by Nvidia. Unlike PCI Express, a device can consist of multiple NVLinks, and devices use mesh networking to communicate instead of a central hub. The protocol was first announced in March 2014 and uses a proprietary high-speed signaling interconnect (NVHS).

简单总结：同主机内不同 GPU 之间的一种高速互联方式，

1. 是一种短距离 通信链路 ，保证包的成功传输，更高性能，替代 PCIe，
2. 支持多 lane，link 带宽随 lane 数量线性增长，
3. 同一台 node 内的 GPU 通过 NVLink 以 full-mesh 方式（类似 spine-leaf）互联，
4. NVIDIA 专利技术。

演进：1/2/3/4 代

主要区别是单条 NVLink 链路的 lane 数量 、每个 lane 的带宽 （图中给的都是双向带宽）等：

NVLink 演进。Image from: HotChips 2022 [1]

例如，

监控

基于 DCGM 可以采集到实时 NVLink 带宽：

Metrics from dcgm-exporter [5]

1.3NVSwitch

还是参考下图，

典型 8 卡 A100 主机硬件拓扑

NVSwitch 是 NVIDIA 的一款 交换芯片 ，封装在 GPU module 上，并 不是主机外的独立交换机 。

下面是真机图，浪潮的机器，图中 8 个盒子就是 8 片 A100，右边的 6 块超厚散热片下面就是 NVSwitch 芯片：

Inspur NF5488A5 NVIDIA HGX A100 8 GPU Assembly Side View. Image source: [2]

1.4 NVLink Switch

NVSwitch 听名字像是交换机，但实际上是 GPU module 上的交换芯片，用来 连接同一台主机内的 GPU 。

2022 年，NVIDIA 把这块芯片拿出来真的做成了交换机，叫 NVLink Switch [3]， 用来 跨主机连接 GPU 设备 。

这俩名字很容易让人混淆。

1.5 HBM (High Bandwidth Memory)

由来

传统上，GPU 显存和普通内存（DDR）一样插在主板上，通过 PCIe 连接到处理器（CPU、GPU）， 因此速度瓶颈在 PCIe，Gen4 是 64GB/s，Gen5 是 128GB/s。

因此，一些 GPU 厂商（不是只有 NVIDIA 一家这么做）将 将多个 DDR 芯片堆叠之后与 GPU 封装到一起 （后文讲到 p00 时有图），这样每片 GPU 和它自己的显存交互时，就不用再去 PCIe 交换芯片绕一圈，速度最高可以提升一个量级。 这种 「高带宽内存」 （High Bandwidth Memory）缩写就是 HBM。

HBM 的市场目前被 SK 海力士和三星等韩国公司垄断。

演进：HBM 1/2/2e/3/3e

From wikipedia HBM，

使用了 HBM 的近几代高端 NVIDIA GPU 显存带宽 （双向），纵坐标是 TB/s。Image source: [3]

1.6 带宽单位

大规模 GPU 训练的性能与数据传输速度有直接关系。这里面涉及到很多链路，比如 PCIe 带宽、内存带宽、NVLink 带宽、HBM 带宽、网络带宽等等。

比较带宽时注意区分和转换。

2 典型8*A100/8*A800主机

2.1 主机内拓扑：2-2-4-6-8-8

典型 8 卡 A100 主机硬件拓扑

下面这个图画的更专业，需要更多细节的可参考：

NVIDIA DGX A100 主机（ 官方 8 卡机器 ）硬件拓扑。Image source: [4]

存储网卡

通过 PCIe 直连 CPU 。用途：

1. 从分布式存储读写数据，例如 读训练数据 、 写 checkpoint 等；
2. 正常的 node 管理，ssh，监控采集等等。

官方推荐用 BF3 DPU。但其实只要带宽达标，用什么都行。组网经济点的话用 RoCE，追求最好的性能用 IB。

NVSwitch fabric：intra-nodefull-mesh

8 个 GPU 通过 6 个 NVSwitch 芯片 full-mesh 连接，这个 full-mesh 也叫 NVSwitch fabric ； full-mesh 里面的 每根线的带宽是 n * bw-per-nvlink-lane ，

用nvidia-smi topo查看拓扑

下面是一台 8*A800 机器上 nvidia-smi 显示的实际拓扑（网卡两两做了 bond，NIC 0~3 都是 bond）：

1.2 GPU 训练集群组网：IDC GPU fabirc

GPU node 互联架构：

计算网络

GPU 网卡直连到置顶交换机（leaf），leaf 通过 full-mesh 连接到 spine，形成跨主机 GPU 计算网络。

存储网络

直连 CPU 的两张网卡，连接到另一张网络里，主要作用是读写数据，以及 SSH 管理等等。

RoCE vs. InfiniBand

不管是计算网络还是存储网络，都需要 RDMA 才能实现 AI 所需的高性能。RDMA 目前有两种选择：

1.3 数据链路带宽瓶颈分析

单机 8 卡 A100 GPU 主机带宽瓶颈分析

几个关键链路带宽都标在图上了，

1. 同主机 GPU 之间：走 NVLink，双向 600GB/s，单向 300GB/s ；
2. 同主机 GPU 和自己的网卡之间：走 PICe Gen4 Switch 芯片，双向 64GB/s，单向 32GB/s ；
3. 跨主机 GPU 之间：需要通过网卡收发数据，这个就看网卡带宽了，目前国内 A100/A800 机型配套的主流带宽是（单向） 100Gbps=12.5GB/s 。 所以跨机通信相比主机内通信性能要下降很多。
4. 200Gbps==25GB/s：已经 接近 PCIe Gen4 的单向带宽；
5. 400Gbps==50GB/s：已经 超过 PCIe Gen4 的单向带宽。
6. 所以在这种机型里用 400Gbps 网卡作用不大，400Gbps 需要 PCIe Gen5 性能才能发挥出来。

3 典型8*p00/8*H800主机

GPU Board Form Factor 分为两种类型：

3.1 p00 芯片 layout

下面是一片 p00 GPU 芯片的内部结构：

单片 p00 GPU 内部逻辑布局。Image source: [3]

3.2 主机内硬件拓扑

跟 A100 8 卡机结构大致类似，区别：

1. NVSwitch 芯片从 6 个减少到了 4 个；真机图如下，
2. 
   
3. 与 CPU 的互联从 PCIe Gen4 x16 升级到 PCIe Gen5 x16 ，双向带宽 128GB/s ；

3.3 组网

与 A100 也类似，只是标配改成了 400Gbps 的 CX7 网卡， 否则网络带宽与 PCIe Switch 和 NVLink/NVSwitch 之间的差距更大了。

4 典型4*L40S/8*L40S主机

L40S 是今年（2023）即将上市的新一代「性价比款」多功能 GPU， 对标 A100 。 除了不适合训练基座大模型之外（后面会看到为什么），官方的宣传里它几乎什么都能干。 价格的话，目前第三方服务器厂商给到的口头报价都是 A100 的 8 折左右 。

4.1 L40S vs A100 配置及特点对比

L40S 最大的特点之一是 time-to-market 时间短 ，也就是从订货到拿到货周期比 A100/A800/H800 快很多。 这里面技术和非技术原因都有，比如：

价格便宜也有几方面原因，后面会详细介绍：

1. 大头可能来自 GPU 本身价格降低：因为去掉了一些模块和功能，或者用便宜的产品替代；
2. 整机成本也有节省：例如去掉了一层 PCIe Gen4 Swtich；不过相比于 4x/8x GPU，整机的其他部分都可以说送的了；

4.2 L40S 与 A100 性能对比

下面是一个官方标称性能对比：

具体场景的性能对比网上也有很多官方资料，这里就不列举了。简单来，

需要注意， L40S 主机官方推荐的是单机 4 卡而不是 8 卡 （后面会介绍为什么）， 所以对比一般是用 两台 4*L40S vs 单台 8*A100。另外，很多场景的性能提升有个 大前提 ：网络需要是 200Gbps RoCE 或 IB 网络，接下来介绍为什么。

4.3 L40S 攒机

推荐架构：2-2-4

相比于 A100 的 2-2-4-6-8-8 架构， 官方推荐的 L40S GPU 主机是 2-2-4 架构，一台机器物理拓扑如下：

推荐单机 4 卡 L40S GPU 主机拓扑

最明显的变化是 去掉了 CPU 和 GPU 之间的 PCIe Switch 芯片 ， 网卡和 GPU 都是直连 CPU 上自带的 PCIe Gen4 x16（64GB/s），

这样 每片 GPU 平均 200Gbps 网络带宽 。

不推荐架构：2-2-8

单机 8 卡 L40S GPU 主机拓扑，来自 NVIDIA L40S 官方推介材料

如图，跟单机 4 卡相比，单机 8 卡需要引入两片 PCIe Gen5 Switch 芯片：

4.4 组网

官方建议 4 卡机型，搭配 200Gbps RoCE/IB 组网。

4.5 数据链路带宽瓶颈分析

单机 4 卡 L40S GPU 主机带宽瓶颈分析

以同 CPU 下面的两种 L40S 为例，这里面有两条链路可选：

1. 直接通过 CPU 处理：GPU0 <--PCIe--> CPU <--PCIe--> GPU1
2. PCIe Gen4 x16 双向 64GB/s，单向 32GB/s ；
3. CPU 处理瓶颈？TODO
4. 完全绕过 CPU 处理， 通过网卡去外面绕一圈再回来 ：GPU0 <--PCIe--> NIC <-- RoCe/IB Switch --> NIC <--PCIe--> GPU1
5. PCIe Gen4 x16 双向 64GB/s，单向 32GB/s ；
6. 平均每个 GPU 一个单向 200Gbps 网口，单向折算 25GB/s ；
7. 需要 NCCL 支持 ，官方说新版本 NCCL 正在针对 L40S 适配，默认行为就是去外面绕一圈回来；

第二种方式看着长了很多，但官方说其实比方式一还要快很多（这里还每太搞懂，CPU 那里是怎么处理的？）—— 前提是网卡和交换机配到位 ：200Gbps RoCE/IB 网络。在这种网络架构下（网络带宽充足），

如果是方式二，同主机内 GPU 卡间的带宽瓶颈在网卡速度。即使网络是推荐的 2*CX7 配置，

可以看到， L40S 卡间带宽还是比 A100 NVLINK 慢了 12 倍 ， 比 A800 NVLink 慢了 8 倍，所以 不适合数据密集交互的基础大模型训练 。

4.6 测试注意事项

如上，即便只测试单机 4 卡 L40S 机器，也需要搭配 200Gbps 交换机，否则卡间性能发挥不出来。

参考资料

1. NVLink-Network Switch - NVIDIA’s Switch Chip for High Communication-Bandwidth SuperPODs, Hot Chips 2022
2. ChatGPT Hardware a Look at 8x NVIDIA A100 Powering the Tool, 2023
3. NVIDIA Hopper Architecture In-Depth, nvidia.com, 2022
4. DGX A100 review: Throughput and Hardware Summary, 2020
5. Understanding NVIDIA GPU Performance: Utilization vs. Saturation, 2023

提供p00 SXM5高性能GPU服务器/A100 SXM4高性能GPU服务器和IB组网有需求的微信联系784254884 朱