Compiler-Assisted Workload Consolidation For Efficient Dynamic Parallelism on GPU
GPU已被广泛用于加速表现出简单并行模式的计算-例如平面或两级并行-以及可以基于输入数据集的大小静态确定的并行度。然而,有效地使用GPU的算法表现出复杂的模式的并行性,可能只知道在运行时,仍然是一个悬而未决的问题。最近,Nvidia在其GPU中引入了动态并行(DP)。通过使直接从GPU线程启动内核成为可能,此功能在运行时启用嵌套并行。然而,仍然必须理解DP的有效使用:天真地使用此功能可能会遭受显着的运行时开销,并导致GPU利用率不足,从而导致性能低下。在这项工作中,我们针对这个问题。首先,我们演示了如何天真的使用DP会导致性能不佳。其次,我们提出了三个工作负载整合计划,以提高性能和硬件利用率的DP为基础的代码,我们实现这些代码转换在一个基于指令的编译器。最后,我们评估我们的框架上的两类应用程序:算法,包括不规则循环和算法表现出并行递归。我们的实验表明,我们的方法显着降低了运行时开销,提高了GPU的利用率,导致加速因子从90倍到3300倍的基本基于DP的解决方案和加速从2倍到6倍的平面实现。
2016-06-27 cs.DC
Kernelet: High-Throughput GPU Kernel Executions with Dynamic Slicing and Scheduling
图形处理器(GPU)最近被广泛用作集群和云等共享环境中的加速器。在这样的共享环境中,许多内核从不同的用户提交给GPU,吞吐量是性能和总拥有成本的重要指标。尽管最近改进了对并发GPU内核执行的运行时支持,但GPU可能严重未得到充分利用,导致次优吞吐量。在本文中,我们提出了Kernelet,一个运行时系统与动态切片和调度技术,以提高吞吐量的并发内核执行GPU上。通过切片,Kernelet将GPU内核划分为多个子内核(即切片)。每个切片都具有可调的占用率,以允许与其他切片协同调度并充分利用GPU资源。我们开发了一种新的和有效的基于马尔可夫链的性能模型来指导调度决策。我们的实验结果表明,在NVIDIA Tesla C2050和GTX 680 GPU上,性能分别提高了31.1%和23.4%。
2013-03-21 cs.DC
GeoMesh: Workload-Balanced and Sign-Compressed Geo-Distributed LLM Training
Korea University(高丽大学);Microsoft Research Asia(微软亚洲研究院)
针对地理分布式LLM训练中异构GPU同步等待和通信开销大的问题,提出GeoMesh框架,通过负载均衡和符号压缩伪梯度,将通信量减少近32倍,训练时间最多缩短70.2%。
2026-09-17 cs.DC
DAG-based Scheduling with Resource Sharing for Multi-task Applications in a Polyglot GPU Runtime
GPU在云计算和个人设备中很容易使用,但由于它们与常见程序设计语言(如Python或Java)的集成有限,它们用于数据处理加速的速度已经放缓。此外,要充分利用GPU,需要具备异步编程的专业知识。在这项工作中,我们提出了一种新的GPU运行时间调度器的多任务GPU计算,透明地提供异步执行,空间共享和传输计算重叠,而不需要提前任何信息的程序依赖结构。我们利用GrCUDA多语言API将我们的调度器与多种高级语言集成,并提供一个快速原型设计和轻松GPU加速的平台。我们验证了我们在6个基准上的工作,这些基准是为了评估任务并行性而创建的,并且与使用C++ CUDA Graphs API编写的手动优化的主机代码相比,同步执行的平均加速率为44%,并且没有执行时间减慢。
2021-01-19 cs.AR cs.DC
Skew Handling in Aggregate Streaming Queries on GPUs
如今,数据库系统要处理的数据已经变得如此之大,以至于任何传统的集中式技术都是不够的。与此同时,基于GPU的通用计算(GPGPU)最近成功地引起了数据管理社区的关注,因为它能够以较小的成本实现显著的速度提升。高效的偏斜处理是并行查询中的一个众所周知的问题,与执行环境无关。在这项工作中,我们调查的问题,在GPU上的并行聚合查询的负载不平衡的解决方案是由偏斜的数据。我们提出了一个通用的负载平衡框架,以及几个实例,我们的实验评估。据我们所知,这是第一次尝试在GPU上为数据库操作提供运行时负载平衡技术。
2013-09-03 cs.DB cs.DC
VUDA: Enabling Controlled Spatial Sharing of Graphics and Compute on NVIDIA GPUs
Shanghai Jiao Tong University(上海交通大学)
VUDA通过打破CUDA与Vulkan的执行隔离,实现计算与图形任务的空间并行,提升GPU利用率并减少端到端延迟。
2026-09-29 cs.AI cs.DC cs.OS
High-throughput Execution of Hierarchical Analysis Pipelines on Hybrid Cluster Platforms
Center for Comprehensive Informatics, Emory University(综合信息学中心,埃默里大学)
提出一种运行时中间件,通过结合任务袋与粗粒度数据流执行,并实现性能感知调度、架构感知进程放置等优化,在混合集群上实现大规模分析应用的高吞吐处理。
2012-09-14 cs.DC cs.SY eess.SY
A 400Gbit Ethernet core enabling High Data Rate Streaming from FPGAs to Servers and GPUs in Radio Astronomy
本文针对射电天文学海量数据实时处理中GPU受限于I/O速率的问题,开发并测试了多种从NIC到GPU的数据流传输技术,并提出开源UDP/IPv4 400GbE封装器,实现FPGA到GPU的高速数据流传输,显著降低后端成本、功耗与复杂度。
2024-11-23 astro-ph.IM cs.DC
Whale: Efficient Giant Model Training over Heterogeneous GPUs
深度神经网络的扩展已被证明在提高模型质量方面是有效的,但也包括训练效率,可编程性和资源适应性方面的几个训练挑战。我们介绍了Whale,一个通用而高效的巨型模型分布式训练框架。为了支持各种并行策略及其混合,Whale通过定义两个新的模型注释形式的原语来概括编程接口,允许合并用户提示。Whale运行时利用这些注释并执行图形优化,以将本地深度学习DAG图形转换为分布式多GPU执行。Whale进一步引入了一种新的硬件感知并行策略,以平衡的方式提高了异构GPU上模型训练的性能。Whale部署在拥有512个GPU的生产集群中,成功训练了具有超过10万亿个模型参数的行业规模多模式模型(名为M6),展示了出色的可扩展性和效率。
2022-06-06 cs.DC
JACC: An OpenACC Runtime Framework with Kernel-Level and Multi-GPU Parallelization
计算技术的快速发展为基于指令的编程模型在维护性能关键应用程序的软件可移植性方面发挥主要作用铺平了道路。在这种模型上的努力涉及最少的工程成本,用于在多个架构上实现计算加速,而程序员仅需要在顺序代码上添加Meta信息。然而,获得最佳可能效率的优化通常具有挑战性。程序员插入指令可能会导致限制可用编译器优化的副作用,这可能导致性能下降。这在针对多GPU系统时加剧,因为杂注不会自动适应此类系统,并且需要程序员进行昂贵且耗时的代码调整。本文介绍了JACC,OpenACC运行时框架,使OpenACC程序的动态扩展作为一个透明的程序和编译器之间的层。我们增加了一个通用的代码翻译方法,多设备利用手动优化的应用程序可以自动分发,同时保持原始的代码结构和并行性。在某些情况下,我们展示了NVIDIA V100 GPU的内核执行部分几乎是线性扩展的。当自适应地使用多GPU时,由此产生的性能改进分摊了GPU到GPU通信的延迟。
2022-04-27 cs.DC
HetGPU: The pursuit of making binary compatibility towards GPUs
针对异构GPU二进制不兼容问题,提出hetGPU系统,通过编译器、运行时和抽象层实现单一二进制跨NVIDIA、AMD、Intel和Tenstorrent执行,并支持低开销实时迁移。
2025-06-19 cs.AR cs.DC
SIMD-X: Programming and Processing of Graph Algorithms on GPUs
凭借高计算能力和内存带宽,图形处理单元(GPU)有助于加速数据密集型分析,尤其是当此类应用程序适合单指令多数据(SIMD)模型时。然而,由于内存访问和控制流的不规则性,诸如宽度优先搜索和k核之类的图形算法通常无法充分利用GPU。为了应对这一挑战,我们开发了SIMD-X,用于在GPU上编程和处理单指令多个复杂数据。具体来说,新的主动计算合并(ACC)模型不仅为程序员提供了编程的便利,更重要的是为系统级优化创造了机会。为此,SIMD-X利用即时任务管理,在运行时过滤掉不活动的顶点,并智能地将各种任务映射到不同数量的GPU核心,以追求工作负载平衡。此外,SIMD-X利用基于推拉的内核融合,在新的无死锁全局屏障的帮助下,将大量的计算内核减少到非常少。使用SIMD-X,用户可以在数十行代码中编写图形算法,同时实现3?,六个?二十四?三个?Gunrock,Galois,CuSha和Ligra的加速。
2018-12-10 cs.DC
KREX: Concurrent Kernel Benchmarking on Shared GPUs via Region-Granular Exclusivity
HKUST(香港科技大学);Alibaba Group(阿里巴巴集团)
KREX通过区域粒度独占性实现共享GPU上的并发内核基准测试,在保持测量保真度的同时,将吞吐量提升至3.4倍,且时序膨胀极小。
2026-09-25 cs.DC cs.OS cs.PF
HISQ inverter on Intel Xeon Phi and NVIDIA GPUs
格点QCD模拟的运行时间由一个小内核控制,它计算一个向量与一个稀疏矩阵的乘积,称为“Dslash”算子。因此,该内核经常针对各种HPC架构进行优化。在本文中,我们比较了英特尔至强融核与当前基于开普勒的NVIDIA Tesla GPU运行共轭梯度求解器的性能。通过同时反转多个向量,将更多的并行性暴露给加速器,我们在两种架构上都获得了250 GFlop/s的性能。这使反演的性能提高了一倍多。我们给出了一个简短的概述这两种架构,讨论了一些细节的实施和所需的努力,以获得所取得的性能。
2014-09-04 cs.DC hep-lat
Experience Report: Writing A Portable GPU Runtime with OpenMP 5.1
GPU运行时在历史上是用CUDA或其他专用于GPU编程的供应商特定语言实现的。在这项工作中,我们表明,OpenMP5.1,与轻微的编译器扩展,能够取代现有的解决方案,而没有性能损失。其结果是一个高性能和可移植的GPU运行时,可以使用LLVM/Clang编译到Nvidia和AMD GPU,而无需在开发和编译期间使用CUDA或HIP。当我们试图符合OpenMP时,我们发现需要编译器扩展来通过我们的OpenMP运行时实现CUDA性能。我们希望将来的OpenMP版本能够采用我们的扩展,使OpenMP中的设备编程也可以跨编译器移植,而不仅仅是跨执行平台。我们移植到OpenMP的库是在GPU上提供OpenMP功能的OpenMP设备运行时。这项工作为将OpenMP卸载与Linux发行版的LLVM包一起发布打开了大门,因为包管理器不需要供应商SDK来构建编译器和运行时。此外,我们的OpenMP设备运行时可以通过使用一些编译器内部函数来支持新的GPU目标,而不需要重新实现整个运行时。
2021-06-06 cs.DC
SlideDP: Scaling Host-Resident LLM Fine-Tuning Across Multiple GPUs
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Beijing Academy of Artificial Intelligence(北京智源人工智能研究院)
SlideDP提出同步数据并行运行时,通过宿主机状态权威、通信解耦和流水线化,在共享宿主机多GPU上实现高效大语言模型微调,吞吐量优于现有系统。
2026-10-14 cs.DC cs.LG
Brief Announcement: On the Limits of Parallelizing Convolutional Neural Networks on GPUs
GPU目前是训练神经网络的首选平台。然而,即使在GPU上训练深度神经网络(DNN)也是一个耗时的过程,因为必须学习大量的参数。因此,加速DNN训练在过去几年中一直是一个重要的研究领域。虽然早期的网络(如AlexNet)在层和操作之间具有线性依赖性,但最先进的网络(如ResNet,PathNet和GoogleNet)具有非线性结构,表现出更高水平的操作间并行性。然而,流行的深度学习(DL)框架(如TensorFlow和PyTorch)在GPU上串行启动大多数神经网络操作,特别是卷积,并且不利用这种操作间并行性。在这个简短的声明中,我们提出了在最先进的非线性网络中利用这种丰富的并行性来减少训练时间的需求和潜在好处。我们确定了在DL框架的GPU后端(如cuDNN)上启用并发层执行的挑战和限制,并提出了潜在的解决方案。
2020-05-28 cs.DC cs.NE
Characterizing Concurrency Mechanisms for NVIDIA GPUs under Deep Learning Workloads
Worcester Polytechnic Institute(伍斯特理工学院)
我们研究了NVIDIA新的Ampere GPU微架构在深度学习训练和推理工作负载下可用的并发机制的性能。与以前的研究,把GPU作为一个黑盒子,我们研究调度在微架构的水平。我们发现,缺乏细粒度的抢占机制,强大的任务优先级选项,竞争意识线程块放置策略限制了NVIDIA的并发机制的有效性。总之,深度学习工作负载的顺序性及其波动的资源需求和内核运行时,使得在当前NVIDIA硬件上执行此类工作负载,同时保持一致的高利用率和较低的可预测周转时间变得困难。
2021-10-01 cs.AR cs.DC cs.LG
Static Batching of Irregular Workloads on GPUs: Framework and Application to Efficient MoE Model Inference
Alibaba Group(阿里巴巴集团)
针对GPU上不规则工作负载难以安排和执行的问题,提出将其静态批处理为单kernel的通用框架,并应用于MoE模型推理,实现的CUDA kernel在H800和H20 GPU上分别达到91%和95%的峰值Tensor Core吞吐量。
2025-01-27 cs.DC cs.LG
MCR-DL: Mix-and-Match Communication Runtime for Deep Learning
The Ohio State University(俄亥俄州立大学);Microsoft Corporation(微软公司)
近年来,许多最先进的深度学习(DL)模型的训练需求已经超出了单个处理器的计算和存储能力,并且需要在处理器之间进行分布。训练如此庞大的模型需要高级并行策略来保持效率。然而,这样的分布式DL并行策略需要跨越宽范围的消息大小和规模的集合和点对点通信操作的各种混合。使用高级并行策略的模型的示例包括深度学习推荐模型(DLRM)和专家混合模型(MoE)。通信库的性能在不同的通信操作、规模和消息大小之间存在很大差异。我们建议MCR-DL:一种可扩展的DL通信框架,支持所有点对点和集体操作,同时使用户能够动态混合和匹配给定操作的通信后端,而不会出现死锁。MCR-DL还打包了一个调优套件,用于为给定的输入张量动态选择最佳通信后端。我们选择DeepSpeed-MoE和DLRM作为候选DL模型,并在Lassen HPC系统上的256个V100 GPU上证明了DS-MoE吞吐量提高了31%。此外,我们在密集Megatron-DeepSpeed模型中实现了20%的吞吐量提升,并在32个A100 GPU上使用Theta-GPU HPC系统实现了DLRM吞吐量提升25%。
2023-03-15 cs.DC cs.LG
Kitsune: Enabling Dataflow Execution on GPUs
Kitsune通过适度调整GPU架构并基于PyTorch Dynamo构建编译器,实现高效数据流执行,在5个应用中提升性能1.1-2.4倍并减少16%-98%片外流量。
2025-02-25 cs.AR cs.DC
CUTHERMO: Understanding GPU Memory Inefficiencies with Heat Map Profiling
本文提出轻量级 GPU 内存分析工具 cuThermo,通过基于 warp 访问计数的热图识别细粒度低效访问并指导优化,在两块 GPU 上最高获得 721.79% 性能提升。
2025-07-24 cs.DC cs.PF
Accelerating Exact and Approximate Inference for (Distributed) Discrete Optimization with GPUs
University of Michigan(密歇根大学);New Mexico State University(新墨西哥州立大学);University of California, Irvine(加利福尼亚大学尔湾分校)
离散优化问题是人工智能的核心问题。成本函数网络的聚合成本的优化出现在各种问题中,包括(W)CSP,DCOP,以及随机变量中的优化,例如在信念网络中找到最可能解释(MPE)的任务。基于推理的算法是解决离散优化问题的强大技术,可以单独使用或与其他技术结合使用。然而,它们的适用性往往受到其计算密集型性质和空间要求的限制。本文提出了一种新的推理为基础的技术,利用现代大规模并行架构,如图形处理单元(GPU),以加快精确和近似推理为基础的离散优化算法的分辨率的设计和实现。本文研究了所提出的算法在集中式和分布式优化上下文中。该文件表明,GPU的使用提供了显着的优势,在运行时间和可扩展性方面,实现了两个数量级的加速,并显示出相当大的减少执行时间(高达345倍的速度)相对于顺序版本。
2017-06-16 cs.AI cs.DC
A Data-Driven Frequency Scaling Approach for Deadline-aware Energy Efficient Scheduling on Graphics Processing Units (GPUs)
现代计算范式,如云计算,越来越多地采用GPU来提高其计算能力,这主要是由于AI/ML/深度学习工作负载的异构性。然而,GPU的能耗是一个关键问题。动态电压频率缩放(DVFS)是一种广泛使用的降低GPU动态功耗的技术。然而,由于应用程序的运行时性能特性、能量和执行时间之间的复杂非线性关系,为基本性能要求配置最佳时钟频率是一项重要的任务。当不同的应用程序在类似的时钟设置下表现不同时,这变得更具挑战性。简单的分析解决方案和标准GPU频率缩放算法无法捕捉这些复杂性并适当地缩放频率。在这方面,我们提出了一个数据驱动的频率缩放技术,通过预测一个给定的应用程序在不同的时钟设置的功率和执行时间。我们从应用程序分析中收集数据,并对模型进行训练,以准确地预测结果。所提出的解决方案是通用的,可以很容易地扩展到不同类型的工作负载和GPU架构。此外,使用预测模型的频率缩放,我们提出了一个截止日期感知的应用程序调度算法,以减少能源消耗,同时满足他们的截止日期。我们使用几个基准应用程序在NVIDIA GPU上进行了大量的实验。实验结果表明,我们的预测模型具有较高的准确性,平均均方根值为0.38和0.05的能量和时间预测,分别。此外,与基线策略相比,调度算法消耗的能量减少了15.07%。
2020-04-28 cs.DC
Performance Analysis of a Quantum Monte Carlo Application on Multiple Hardware Architectures Using the HPX Runtime
本文介绍了我们如何成功地使用HPX编程模型将DCA++应用程序移植到包括POWER 9、x86、ARM v8和NVIDIA GPU在内的多种架构上。我们描述了我们可以从这一经验中学到的教训,以及在应用程序中启用HPX以改进代码的CPU线程部分的好处,这导致了跨架构的总体21%的改进。我们还描述了如何使用HPX-APEX来提高抽象级别,以了解性能问题并识别代码中的任务优化机会,以及这些如何与CPU/GPU利用率计数器,随时间推移的设备内存分配以及给定架构上的CPU内核级上下文切换相关。
2020-10-19 cond-mat.mtrl-sci cond-mat.str-el cond-mat.supr-con
HetPipe: Enabling Large DNN Training on (Whimpy) Heterogeneous GPU Clusters through Integration of Pipelined Model Parallelism and Data Parallelism
深度神经网络(DNN)模型的规模不断增长,以提高模型的准确性和质量。此外,对于大型DNN模型的训练,由于新GPU架构的发布周期较短,使用异构GPU是不可避免的。在本文中,我们研究了如何在异构GPU集群上实现大型DNN模型的训练,该集群可能包括独立的无法用于训练的古怪GPU。我们提出了一个DNN训练系统HetPipe(Heterogeneous Pipeline),它集成了流水线模型并行(PMP)和数据并行(DP)。在HetPipe中,一组多个GPU(称为虚拟工作器)以流水线方式处理小批,多个这样的虚拟工作器采用数据并行以获得更高的性能。我们还提出了一种新的参数同步模型,我们称之为波同步并行(WSP),以适应PMP和DP的虚拟工作者,并提供收敛证明WSP。我们在给定的异构设置上的实验结果表明,与最先进的DP技术相比,使用HetPipe,DNN模型的收敛速度快了49%。
2020-05-28 cs.DC
Accelerating Biclique Counting on GPU
针对二分图中(p,q)-双团计数面临大规模图时的性能瓶颈,提出基于GPU的GBC算法,通过截断位图哈希、DFS-BFS混合探索及复合负载均衡策略大幅提升计数效率,最高实现1217.7倍加速。
2024-03-20 cs.DC
Locality Optimized Unstructured Mesh Algorithms on GPUs
基于非结构网格的数值算法,如有限体积和有限元算法,在许多科学和工程领域中形成了一类重要的应用。从这些应用程序中实现更高性能的关键困难是间接访问,这会导致并行化时的数据竞争。当前处理这种数据竞争的方法导致并行性降低和次优性能。特别是在现代众核架构(如GPU)上,增加核心/线程数量,减少数据移动和利用内存局部性对于获得良好的性能至关重要。在这项工作中,我们提出了新的本地化开发优化的非结构化网格算法在GPU上的有效执行。建立在一个两层的着色策略处理数据竞争,我们引入新的重新排序和分区技术,以进一步提高执行效率。然后将新的优化应用于几个成熟的非结构化网格应用程序,研究它们在NVIDIA最新的P100和V100 GPU上的性能。我们展示了显着的加速比($1.1\text{--}1.75\times$)相比,国家的最先进的。一系列的性能指标进行基准测试,包括运行时,内存事务,实现带宽性能,GPU占用和数据重用因素,并用于理解和解释影响性能的关键因素。优化算法实现为一个开源的软件库,我们说明了它的使用,以提高现有的或新的非结构化网格应用程序的性能。
2019-07-27 cs.DC cs.MS
Transparent Checkpointing for OpenGL Applications on GPUs
这项工作提出了OpenGL应用程序的透明检查点,改进了基于GPU的3D图形应用程序的分割处理技术[1]。分裂进程技术早期应用于MPI和CUDA程序的检查点,允许重新初始化驱动程序库。所提出的设计目标是OpenGL应用程序的实用的、与检查点包无关的检查点。早期原型在Autodesk Maya上演示。Maya是一个复杂的专有媒体创建软件套件,用于CGI(计算机生成动画)的大规模渲染硬件。Maya的透明检查点提供了急需的容错,因为当艺术家使用其某些前沿组件时,Maya很容易崩溃。然后,艺术家们在重新创造复杂的环境中损失了数小时的工作。
2021-08-01 cs.DC
Accelerating QDP++/Chroma on GPUs
提供了对QCD数据并行接口的C++实现的扩展,从而能够加速NVIDIA GPU上的表达式计算。利用便携式表达式模板引擎并使用实时编译技术,将单个表达式卸载到设备内存和执行域。内存管理是由控制GPU内存的缓存的软件实现自动化的。与现有的Krylov空间求解器的互操作性进行了演示,并特别注意“色度准备”。格点量子色动力学计算中的非核心例程通常不受手动调谐优化的加速,这可以减少Amdahl定律的影响。
2011-11-23 cs.DC hep-lat
HetCCL: Accelerating LLM Training with Heterogeneous GPUs
snu-cse(首尔国立大学计算机科学与工程系);snu-ds(首尔国立大学数据科学研究院);moreh(Moreh公司);samsung(三星研究)
HetCCL通过统一异构GPU的集体通信库,实现跨供应商的高效训练,提升异构环境下的大语言模型训练性能。
2026-01-30 cs.DC cs.LG
Advances in Semantic Patching for HPC-oriented Refactorings with Coccinelle
本文总结了利用Coccinelle工具,通过语义补丁实现机器辅助的HPC重构(如GPU支持)的进展,旨在保持代码可理解性和可调试性。
2025-03-26 cs.DC cs.PL
PiPAD: Pipelined and Parallel Dynamic GNN Training on GPUs
Beihang University(北京航空航天大学)
针对动态图神经网络训练中内存访问低效和数据传输开销大的问题,提出GPU上的流水线并行训练框架PiPAD,通过多图快照并行处理优化性能,实现最高9.57倍加速。
2023-01-05 cs.DC cs.LG
Engineering A Workload-balanced Push-Relabel Algorithm for Massive Graphs on GPUs
National Taiwan University(台湾大学)
本文提出了一种负载平衡的推标签算法,通过优化内存使用和负载分配,提升了大规模图计算在GPU上的效率。
2024-03-30 cs.DC cs.DS
HongTu: Scalable Full-Graph GNN Training on Multiple GPUs (via communication-optimized CPU data offloading)
提出可扩展全图GNN训练系统HongTu,通过CPU数据卸载、去重通信和成本模型引导的图重组技术,在多GPU上支持十亿规模图训练,显著降低通信开销并实现大幅加速。
2023-11-25 cs.DC
A Readiness-Driven Runtime for Pipeline-Parallel Training under Runtime Variability
Tsinghua University(清华大学);Scitix AI
本文提出了一种准备驱动的流水线运行时,以解决流水线并行训练中由于运行时变异导致的阶段对齐问题和空闲泡现象,通过非绑定提示顺序来优化当前就绪工作的排序,从而提高资源利用率。
2026-05-18 cs.DC cs.LG
Enabling predictable parallelism in single-GPU systems with persistent CUDA threads
针对现代单 GPU 难以提供实时时间保证的问题,本文提出利用持久化 CUDA 线程打开 GPU 架构黑盒,以实现 GPU 内部的可预测并行执行。
2023-10-02 cs.DC
DeepCEE: Efficient Cross-Region Model Distributed Training System under Heterogeneous GPUs and Networks
针对云-边-端跨区域环境中异构GPU和不稳定网络带来的挑战,DeepCEE采用以通信为中心的设计,通过异构设备分析、零气泡流水线并行和动态环境适配,实现1.3-2.8倍训练吞吐量提升。
2025-05-27 cs.DC cs.SY eess.SY
Region Templates: Data Representation and Management for Large-Scale Image Analysis
配备CPU和GPU(混合计算节点)的分布式内存机器由于多层内存和异构计算配置而难以编程。在本文中,我们介绍了一个区域模板抽象的有效管理的共同数据类型用于分析大数据集的高分辨率图像的集群的混合计算节点。区域模板为空间和时间限界框内的常见数据结构(如点、数组、区域和对象集)提供通用容器模板。区域模板抽象支持不同的数据管理策略和数据I/O实现,同时为应用程序提供同构的统一接口,用于数据存储和检索。区域模板应用程序的执行由支持混合机器中的高效执行的运行时系统协调。区域模板应用程序被表示为分层的并行流,其中每个计算阶段可以被表示为更细粒度任务的另一并行流。我们的运行时系统中提供了许多针对混合机器的优化,包括用于最大化计算设备利用率的性能感知调度,以及减少CPU和GPU之间数据传输影响的技术。一个国家的最先进的混合集群使用显微成像研究的实验评估表明,这种抽象增加了微不足道的开销(约3%),并实现了良好的可扩展性。
2014-05-30 cs.DC
Latency-Aware Orchestration for Multi-Agent LLM Workflows on Heterogeneous GPUs
Beihang University(北京航空航天大学);University of Leeds(利兹大学)
该研究针对异构GPU上的多智能体大语言模型工作流,提出预测引导的运行时系统,通过优化编排降低了端到端延迟与GPU资源消耗。
2026-09-04 cs.DC
A Metaprogramming and Autotuning Framework for Deploying Deep Learning Applications
近年来,深度神经网络(DNN)在广泛的应用中取得了很好的效果。图形处理单元(GPU)是导致DNN当前流行的一个关键因素。然而,尽管硬件灵活性和软件编程工具链日益成熟,但高效率的GPU编程仍然很困难:它具有高复杂性、低生产力和低便携性的缺点。像NVIDIA这样的GPU供应商已经花费了大量的精力来编写专用DNN库。然而,在其他硬件目标上,特别是移动GPU,这样的供应商库通常不可用。因此,开发用于DNN操作的可移植、开放、高性能、高能效的GPU代码将使基于DNN的算法得到更广泛的部署。为此,这项工作提出了一个框架,以实现跨硬件平台和编程模型的DNN计算的高效GPU编程。特别是,该框架提供了对元编程、自动调优和DNN定制的数据类型的特定支持。使用我们的框架,我们探索在三个不同的硬件目标上实现DNN操作:NVIDIA,AMD和Qualcomm GPU。在NVIDIA GPU上,我们展示了OpenCL和CUDA之间的可移植性以及与供应商库相比的竞争性能。在Qualcomm GPU上,我们证明了我们的框架能够有效地开发特定于目标的优化,并实现合理的绝对性能。最后,在AMD GPU上,我们展示了初步结果,表明我们的框架可以在新平台上以最小的努力产生合理的性能。
2016-11-21 cs.DC cs.MS cs.NE
Confidential Computing on NVIDIA Hopper GPUs: A Performance Benchmark Study
Phala Network;Fudan University(复旦大学)
本研究评估了NVIDIA Hopper GPU上启用TEE对LLM推理的性能影响,发现GPU内计算开销极小,主要瓶颈为PCIe数据传输,典型查询开销低于7%。
2024-11-05 cs.AI cs.DC cs.PF
GPUArmor: A Hardware-Software Co-design for Efficient and Scalable Memory Safety on GPUs
GPUArmor提出软硬件协同设计,利用编译器分析与小型内存旁路转换缓冲(MLB)实现GPU内存安全,平均运行时开销仅2.3%,存储需求可忽略,并扩展至无需重编译的变体。
2025-02-26 cs.DC cs.SY eess.SY
Scheduling data flow program in xkaapi: A new affinity based Algorithm for Heterogeneous Architectures
在异构混合体系结构上高效实现并行应用需要在计算和与加速器设备的通信之间进行仔细的平衡。即使大部分的通信时间可以被计算重叠,减少通信数据的总量也是至关重要的。因此,文献中有大量的ad-hoc方法来达到这种平衡,但这些方法依赖于体系结构和应用程序。我们在这里提出了一个通用的机制来自动优化CPU和GPU之间的调度,并比较两种策略在此机制:经典的异构最早完成时间(HEFT)算法和我们的新的,参数化的,分布式亲和对偶近似算法(DADA),它包括在分组的任务之前,运行一个快速的对偶近似。我们在一个异构并行机上进行了实验,该并行机具有六个CPU内核和八个NVIDIA Fermi GPU。来自PLASMA库的三个标准密集线性代数内核已经移植到Xkaapi运行时之上。我们报道他们的表演。结果表明,HEFT和DADA在各种实验条件下表现良好,但DADA在较大的系统和GPU数量上表现更好,并且在大多数情况下,产生的数据传输比HEFT低得多,以实现相同的性能。
2014-04-25 cs.DC
ChainerMN: Scalable Distributed Deep Learning Framework
Preferred Networks, Inc.(Preferred Networks 公司)
深度学习之所以能够在各个领域取得突破,关键之一就是利用了以GPU为核心的高计算能力。通过分布式处理实现进一步的计算能力的使用不仅对于使深度学习更大更快,而且对于解决未解决的挑战至关重要。我们提出了ChainerMN的设计,实现和评估,我们开发的分布式深度学习框架。我们证明了ChainerMN可以将ResNet-50模型的学习过程扩展到ImageNet数据集,高达128个GPU,并行效率为90%。
2017-10-31 cs.DC cs.LG cs.NE
Ember: Making Unified Virtual Memory Practical for Discrete-Memory GPUs
Technical University of Munich(慕尼黑工业大学)
Ember是一款UVM管理框架,通过混合地址空间、计数器驱动区域提升等技术,在不修改应用的情况下,使GPU显存过度订阅性能大幅优于原生UVM及性能分析引导方案。
2026-10-12 cs.DC cs.OS
Sailor: Automating Distributed Training over Dynamic, Heterogeneous, and Geo-distributed Clusters
ETH Zurich(苏黎世联邦理工学院);MIT(麻省理工学院)
Sailor系统通过结合搜索空间探索算法、运行时与内存模拟及支持异构的分布式训练框架,在动态、异构和地理分布式集群上自动化分布式训练,以优化吞吐量和成本。
2025-09-26 cs.DC
GLoP: Enabling Massively Parallel Incident Response Through GPU Log Processing
结合服务和应用程序的大型工业系统已成为网络犯罪分子的目标,并从安全,监控和审计的角度提出了挑战。安全日志分析是发现异常、检测入侵和启用事件响应的关键步骤。链接速度、威胁和用户的不断增加产生了大量的日志数据,并且越来越难以在中央处理器(CPU)上进行分析。本文提出了一种大规模并行图形处理单元(GPU)LOg处理(GLoP)库,也可用于深度数据包检测(DPI),使用前缀匹配技术,收获现成技术的全部功能。GLoP使用不同的GPU内存实现了两种不同的算法,并与CPU对应的实现进行了比较。该库可用于具有单个或多个GPU的处理节点以及GPU云农场。结果显示,吞吐量为20 Gbps,并表明现代GPU可以用于提高大规模日志处理场景的运行速度,从而节省入侵发生前后的宝贵时间。
2017-04-07 cs.CR cs.DC
Torpor: GPU-Enabled Serverless Computing for Low-Latency, Resource-Efficient Inference
针对现有无服务器平台缺乏高效GPU支持的问题,提出Torpor平台,通过延迟绑定、模型交换及多种优化技术实现GPU高效共享,试点部署为用户和平台分别降低70%和65%的GPU配置成本。
2025-07-08 cs.DC
Parallax: Runtime Parallelization for Operator Fallbacks in Heterogeneous Edge Systems
University of Southampton(南安普顿大学);UCL AI Centre(伦敦大学学院人工智能中心);University College London(伦敦大学学院)
Parallax通过并行化和内存优化,提升移动设备上动态神经网络推断的效率与响应性。
2025-12-12 cs.AI cs.CV cs.DC
Benanza: Automatic $μ$Benchmark Generation to Compute "Lower-bound" Latency and Inform Optimizations of Deep Learning Models on GPUs
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
随着深度学习(DL)模型越来越多地用于延迟敏感型应用,人们对改善其响应时间的兴趣也越来越大。这种改进的一个重要途径是分析这些模型的执行情况,并描述其性能,以确定可能的优化机会。然而,目前的分析工具缺乏高度期望的能力,以表征理想的性能,确定低效率的来源,并量化潜在的优化的好处。这些缺陷导致缓慢的表征/优化周期,无法跟上引入新DL模型的快速步伐。我们提出了Benanza,这是一个可持续和可扩展的基准测试和分析设计,可以加快GPU上DL模型的表征/优化周期。Benanza由四个主要组件组成:一个模型处理器,它将模型解析为内部表示;一个可配置的基准生成器,它在给定一组模型的情况下自动生成微基准;一个基准结果数据库;以及一个分析器,它使用基准数据计算DL模型的“下限”延迟,并通知模型执行的优化。“下限”延迟度量估计GPU系统上的理想模型执行,并作为识别框架或系统库中优化机会的基础。我们使用Benanza在从Kepler到最新的Turing的7个GPU上评估了MXNet,ONNX和PyTorch中的30个ONNX模型,并确定了并行层执行,cuDNN卷积算法选择,框架效率低下,层融合和使用Tensor Cores的优化。
2020-02-19 cs.DC cs.LG cs.PF
Energy-Aware Scheduling for Serverless LLM Serving on Shared GPUs
University of Pittsburgh(匹兹堡大学);HPE Labs(惠普企业实验室)
针对无服务器LLM服务中多模型共享GPU带来的能耗优化难题,提出Festina系统,通过协同请求放置、SM分区和GPU工作点调整,在满足TTFT/TBT SLO前提下,实现集群能耗降低高达56%。
2026-10-13 cs.DC
Enabling Dynamic Selection of Implementation Variants in Component-Based Parallel Programming for Heterogeneous Systems
针对异构系统编程需掌握多框架的难题,提出基于组件的COMPAR框架,通过编译器指令扩展与StarPU运行时支持,实现运行时组件实现变体的智能选择,在保障性能的同时简化编程、提升代码复用性。
2023-11-06 cs.DC cs.PL
Kernel Launcher: C++ Library for Optimal-Performance Portable CUDA Applications
图形处理单元(GPU)在科学计算中已经变得无处不在。然而,由于需要仔细的代码调优,编写高效的GPU内核可能具有挑战性。为了自动探索内核优化空间,已经提出了几种自动调优工具,如Kernel Tuner。不幸的是,这些现有的自动调优工具通常不关心将调优结果集成回应用程序,这给应用程序开发人员带来了重大的实现和维护负担。在这项工作中,我们提出了内核启动器:一个易于使用的C++库,简化了高度调优的CUDA应用程序的创建。使用Kernel Launcher,程序员可以捕获内核启动,针对不同的设置调优捕获的内核,并使用运行时编译将调优结果集成回应用程序中。为了展示Kernel Launcher的适用性,我们考虑了真实世界的计算流体动力学代码,并针对不同的GPU,输入域和精度调整其内核。
2023-03-22 cs.DC