📚 课程目录第4章 GPU资源调度基础

GPU资源调度基础：调度器类型、调度策略、资源分配模型

GPU资源调度是连接“用户提交的计算任务”与“底层硬件算力”之间的核心枢纽。与CPU调度主要关注时间片轮转不同，GPU调度必须同时处理计算资源（SM/CUDA Core）、显存带宽、PCIe/NVLink传输以及多租户隔离等多维约束。理解调度器类型、调度策略与资源分配模型，是后续进行性能调优的前提。

一、核心原理：GPU调度的三层视角

GPU资源调度并非单一模块，而是从硬件到软件分层协作的结果。我们可以将其拆解为三个层次：

硬件层（GPU内部调度器）：GPU硬件自带的Work Scheduler（工作调度器）负责将线程块（Thread Block / CTA）分发到SM上。它遵循“先到先服务+负载均衡”的硬件逻辑，每个SM可同时驻留多个线程块，直到资源（寄存器、共享内存）耗尽。
驱动/运行时层（CUDA Runtime API）：负责将kernel启动参数、显存分配请求转化为硬件指令。此层决定stream（流）的优先级、事件同步以及默认的“广度优先”或“深度优先”调度顺序。
集群管理层（Kubernetes + Device Plugin / Slurm + GPU插件）：这是数据中心最关注的层。它决定“哪个容器/任务获得哪块GPU”，以及“一块GPU是否被多个任务共享”。

  关键认知：上层调度器（如K8s）只负责“分配哪块物理GPU”，而真正微观的SM级调度由GPU硬件完成。因此，调优必须同时关注“宏观分配”与“微观占用”。

二、调度器类型与策略

根据调度范围与决策频率，GPU调度器可分为三类，各自策略差异显著：

调度器类型	决策粒度	典型策略	适用场景
集群级调度器	容器 / 任务 / Pod	Binpack（装箱）、Spread（扩散）、GPU拓扑感知	多租户AI平台、混合训练与推理
运行时调度器	CUDA Stream / Context	默认流串行、多流并发、优先级流	单卡多任务、流水线并行
硬件调度器	线程块 / Warp	硬件轮转、贪心填充SM、Warp级抢占	所有kernel执行

在集群层面，Binpack策略倾向于将任务尽量集中到少数GPU上，以释放空闲GPU供大任务使用；Spread策略则相反，将任务分散到多张GPU以降低故障爆炸半径。对于多卡训练任务，还需考虑NVLink拓扑亲和性——若两个通信频繁的进程被分配到跨PCIe Switch的GPU上，带宽可能下降30%以上。

三、资源分配模型：从独占到细粒度共享

现代GPU资源分配模型经历了从“整卡独占”到“细粒度切片”的演进，核心模型包括以下四种：

整卡独占（Exclusive）：一个任务独占整张GPU，显存与计算完全隔离。优点是性能稳定、调试简单；缺点是利用率低，尤其对于推理等轻量任务。
时间切片（Time Slicing）：多个任务轮流使用GPU，每个任务运行一个时间片。实现简单，但存在上下文切换开销，且不适合延迟敏感型任务。
MIG（Multi-Instance GPU）：A100/H100等硬件支持将GPU切分为多个独立实例，每个实例拥有专属的SM、显存带宽和L2缓存。硬件级隔离，性能可预期，但实例数量固定且无法动态调整。
MPS（Multi-Process Service）：允许多个进程共享同一GPU的SM，但显存仍各自独立。适合多个小batch推理任务并发，但需注意显存容量限制。

选型建议：若任务需要大显存（如训练70B模型），优先整卡独占；若在线推理服务有SLA要求，MIG是最佳选择；若离线批量推理可容忍波动，MPS或时间切片能显著提升吞吐。

四、案例：Kubernetes 下GPU调度配置

以下展示一个使用NVIDIA Device Plugin进行GPU资源分配的示例。假设集群中有4张A100（每张40GB显存），需要部署两个推理服务：

# 推理服务A：请求整卡独占
apiVersion: v1
kind: Pod
metadata:
  name: inference-a
spec:
  containers:
  - name: triton
    image: nvcr.io/nvidia/tritonserver:23.10
    resources:
      limits:
        nvidia.com/gpu: 1   # 独占1张A100
---
# 推理服务B：请求MIG切片（1g.5gb，约5GB显存）
apiVersion: v1
kind: Pod
metadata:
  name: inference-b
spec:
  containers:
  - name: triton
    image: nvcr.io/nvidia/tritonserver:23.10
    resources:
      limits:
        nvidia.com/mig-1g.5gb: 1   # 使用MIG实例

调度器根据资源请求与节点剩余资源进行匹配。若节点上已有Pod占用了2张整卡，剩余2张卡中，一张被MIG切片占用，则调度器会优先将服务A调度到空闲整卡上，将服务B调度到MIG实例所在节点。若未配置MIG，则服务B只能等待整卡释放。

五、常见误区与复盘

误区1：认为“GPU利用率高”等于“调度合理”。利用率高可能源于多个任务争抢SM导致相互干扰，实际吞吐反而下降。应同时观察SM活跃占比、显存带宽利用率和尾部延迟。

误区2：忽略显存分配对调度的影响。即使SM计算资源空闲，若显存不足，任务仍会排队。调度器必须同时考虑显存与计算资源，否则会出现“计算空闲但显存耗尽”的假性饱和。

复盘案例：某团队在K8s上运行多个PyTorch训练任务，发现GPU利用率仅40%。排查后发现：所有任务都请求了整卡独占，但每个任务实际只使用约10GB显存（卡容量40GB），且batch size较小，SM占用率低。调整为MPS共享后，将4个任务合并到2张GPU上，利用率提升至75%，同时释放出2张空闲卡供其他团队使用。此案例说明，资源分配模型的选择直接影响集群整体效率，需要结合任务实际资源画像进行决策。

最后需要强调：GPU调度不是“一次配置永久生效”的静态过程。随着业务负载变化，应定期复盘调度策略，利用nvidia-smi、DCGM等工具监控SM占用、显存带宽、MIG实例利用率等指标，动态调整资源分配模型，才能实现GPU集群的高效运转。