MPS 最佳实践&注意事项

GPU Manager 选择性能最优型时，会使用 Nvidia MPS进行算力隔离，MPS 只具备有限的容错能力，请仔细阅读以下内容以确保您对MPS有基本了解。

MPS使用最佳实践

1. 适合MPS的使用场景：

   • MPS仅推荐用于运行单个应用程序的协作进程，例如相同MPI作业的多个ranks，以便内存保护和容错方案可用。
   • 当每个应用程序进程没有产生足够的工作负载使GPU饱和时，MPS是有用的。可以使用MPS在每个节点上运行多个进程，以实现更高的并发性。
   • 程序中因为每个grid 的线程较少导致 GPU 利用率较低时，适合使用 MPS技术提升性能。推荐的做法是：在每个grid中申请更少的block，在每次kernel调用中，每个block下启动更多的线程，以提高每个block的利用率。MPS技术允许 CUDA kernel 中其他的进程使用剩余的 GPU 容量。
2. MPS客户端优雅退出：使用性能最优型的容器进程退出前先执行发送SIGUSR1信号给MPS进程再等待2秒后最终退出，（此过程中MPS进程收到信号后会使mps客户端挂起，不再发送kernel）。
3. MPS尽可能不要使用多GPU：通过MPS使用多卡时，容易引发故障传导，导致多卡上的任务都引发异常。
4. 平台&业务层高可用：上层平台尽可能实现业务层高可用，并支持容错及迁移。

注意事项

• MPS容错能力：

  • 由MPS客户端进程生成的致命异常（ fatal exception）时，与此客户端共享GPU的所有客户端，将会收到这个异常
  • MPS发生fatal exception后，并未指示是哪个客户端生成了错误，受影响的客户端进程应该自行捕捉fatal exception并退出。
  • MPS使用单卡时，运行在其他GPU上的客户端进程不受影响
  • 一旦观察到致命异常，MPS服务器将等待与受影响gpu关联的所有客户端退出，禁止连接到这些gpu的新客户端加入。当与受影响的GPU关联的所有现有客户端都退出时，MPS服务器将在受影响的GPU上重新创建GPU上下文，并继续处理客户端对这些GPU的请求。
  • MPS服务端发生异常会导致所有客户端进程异常
• MPS不支持多用户： mps server是用户级别的，不同用户（linux user）使用MPS时，可能会出现一个用户在等另一个用户mps server退出而导致进程假死的情况。
• 推荐使用 CUDA 11.7以上的版本 官方说明：https://docs.nvidia.com/deploy/mps/index.html