用于HPC和深度学习工作负载的容器技术

Posted 2021-05-02 高效能服务器和存储技术重点实验室

在应用程序开发领域中，容器近几年来受到了广泛的关注——原因有很多。这里简单列举几个优点：容器简化并加速了构建和隔离应用程序的过程;它们是轻量级的，而且日常管理开支较低;它们能够更加容易地实现应用程序共享和再现性，因为容器映像包括应用程序及其开发环境。

特别是在深度学习(DL)框架中，容器化的重要性正在上升。为什么?每个DL框架都有许多依赖项。每个依赖库都有特殊的版本需求，所有DL框架都经常发生变化。大多数DL框架的友好支持操作系统是Ubuntu，而数据中心部署通常是运行Red Hat Enterprise Linux/Centos。容器化有助于开发人员克服这些挑战。所有东西都打包成一个单独的包，包括所有必需的部件。

用于HPC和深度学习工作负载的容器技术

有许多技术可助力实施容器化，例如Docker、LXC、LXD和Singularity等。每一种技术都有各自的优缺点，可以迎合不同的受众类型，适用于不同的用例。对于专注于HPC技术使应用程序大规模化的用户来说——例如MPI和调度器(slurm, torque)，Singularity可能是一个更好的选择。另一方面，如果用例是基于微服务的扩展，那么Docker，再加上诸如Kubernetes或Docker集群之类的编排技术，可能会是更好的选择。

对于HPC和DL应用，在Singularity平台上进行容器化会有一些额外的优势。特别地，与Singularity相结合的容器化，有助于开发人员克服与编译和大规模最佳运行相关的挑战。它使开发人员能够通过Singularity的MPI集成能力将工作负载扩展到单个节点。随着DL数据集的规模不断扩大，这种可伸缩性将成为许多用例的需求。

Singularity是在劳伦斯伯克利国家实验室专门为HPC和DL工作负载开发的。其核心概念是，在容器启动时，用户上下文始终保持不变。这里没有守护进程。相反，Singularity是可执行的。Singularity容器在用户空间中运行，这使得用户的权限在容器内部和外部都是相同的。

在戴尔EMC HPC和AI创新实验室，研究团队将Singularit用在了一个项目中，这个项目包含了其内部用例的DL和HPC应用程序。在这个项目中，该团队发现集装箱化简化了DL在单节点和多节点配置中的构建和部署。

更重要的是，研究团队发现与裸机相比，在Singularit上的DL应用程序没有性能损失。在其基准测试中，研究团队比较了裸机运行与容器运行的对比，发现相对性能差异小于2%。

这是关键。对于在深度学习和HPC领域工作的开发人员来说，容器化的好处是显著的，而无需对性能进行显著影响。显然，随着组织充分利用DL技术提供由人工智能驱动的产品和服务，容器技术将变得更加重要。