在 Amazon SageMaker HyperPod 任務控管中使用拓撲感知排程

Amazon SageMaker HyperPod 任務控管中的拓撲感知排程會根據 Amazon EC2 執行個體的實體網路拓撲放置 Pod，以最佳化分散式機器學習工作負載的訓練效率。透過考慮 AWS 基礎設施的階層結構，包括可用區域、網路區塊和實體機架，拓撲感知排程可確保將需要頻繁通訊的 Pod 排程在接近於 的位置，以將網路延遲降至最低。這種智慧型配置特別適用於涉及密集pod-to-pod 通訊的大型機器學習訓練任務，從而減少訓練時間，並提高叢集的資源使用率。

拓撲感知排程支援下列執行個體類型：

拓撲感知排程會與您現有的 HyperPod 工作流程整合，同時透過 kubectl YAML 檔案和 HyperPod CLI 提供靈活的拓撲偏好設定。HyperPod 任務控管會自動使用拓撲標籤設定叢集節點，並使用 HyperPod 任務控管政策和資源借用機制，確保拓撲感知排程不會中斷您目前的操作程序。透過對偏好和必要拓撲規格的內建支援，您可以微調工作負載置放，以符合您的特定效能需求，同時在無法滿足拓撲限制時，保持回到標準排程的彈性。

透過在 HyperPod 中利用拓撲感知標籤，您可以透過考慮實體網路基礎設施的智慧型 Pod 置放來增強其機器學習工作負載。HyperPod 任務控管會根據階層式資料中心拓撲自動最佳化 Pod 排程，這會直接轉譯為減少網路延遲並改善分散式 ML 任務的訓練效能。這種拓撲感知對於大規模機器學習工作負載特別重要，因為它透過策略將相關的 Pod 放在網路階層中更接近的位置，將通訊開銷降至最低。結果是 Pod 之間的最佳化通訊網路延遲、更有效率的資源使用率，以及運算密集型 AI/ML 應用程式的整體效能，全都達成，而不需要手動管理複雜的網路拓撲組態。

以下是 HyperPod 任務控管可在其中排程 Pod 之可用拓撲網路層的標籤：

若要使用拓撲感知排程，請在 YAML 檔案中包含下列標籤：

如果資源未共用相同的拓撲標籤，任務將被暫停。任務將在等待清單中。一旦 Kueue 看到有足夠的資源，就會認可並執行任務。

下列範例示範如何在 YAML 檔案中使用標籤：

apiVersion: batch/v1
kind: Job
metadata:
  name: test-tas-job
  namespace: hyperpod-ns-team-name
  labels:
    kueue.x-k8s.io/queue-name: hyperpod-ns-team-name-localqueue
    kueue.x-k8s.io/priority-class: PRIORITY_CLASS-priority
spec:
  parallelism: 10
  completions: 10
  suspend: true
  template:
    metadata:
      labels:
        kueue.x-k8s.io/queue-name: hyperpod-ns-team-name-localqueue
      annotations:
        kueue.x-k8s.io/podset-required-topology: "topology.k8s.aws/network-node-layer-3"
        or
        kueue.x-k8s.io/podset-preferred-topology: "topology.k8s.aws/network-node-layer-3"
    spec:
      nodeSelector:
        topology.k8s.aws/network-node-layer-3: TOPOLOGY_LABEL_VALUE
      containers:
        - name: dummy-job
          image: gcr.io/k8s-staging-perf-tests/sleep:v0.1.0
          args: ["3600s"]
          resources:
            requests:
              cpu: "100"
      restartPolicy: Never

下表說明您可以在 kubectl YAML 檔案中使用的新參數。

您也可以使用 HyperPod CLI 來執行任務，並使用拓撲感知排程。如需 HyperPod CLI 的詳細資訊，請參閱 SageMaker HyperPod CLI 命令。

hyp create hyp-pytorch-job \                                            
  --version 1.1 \
  --job-name sample-pytorch-job \
  --image 123456789012.dkr.ecr.us-west-2.amazonaws.com/ptjob:latest \
  --pull-policy "Always" \
  --tasks-per-node 1 \
  --max-retry 1 \
  --priority high-priority \
  --namespace hyperpod-ns-team-name \
  --queue-name hyperpod-ns-team-name-localqueue \
  --preferred-topology-label topology.k8s.aws/network-node-layer-1

以下是範例組態檔案，您可以用來執行具有拓撲標籤的 PytorchJob。如果您想要執行 MPI 和 Tensorflow 任務， 檔案在很大程度上類似。如果您想要改為執行這些任務，請記得相應地變更組態檔案，例如使用正確的映像而非 PyTorchJob。如果您正在執行 PyTorchJob，您可以將不同的拓撲指派給主節點和工作者節點。PyTorchJob 一律有一個主節點，因此我們建議您改用拓撲來支援工作者 Pod。

apiVersion: kubeflow.org/v1
kind: PyTorchJob
metadata:
  annotations: {}
  labels:
    kueue.x-k8s.io/queue-name: hyperpod-ns-team-name-localqueue
  name: tas-test-pytorch-job
  namespace: hyperpod-ns-team-name
spec:
  pytorchReplicaSpecs:
    Master:
      replicas: 1
      restartPolicy: OnFailure
      template:
        metadata:
          labels:
            kueue.x-k8s.io/queue-name: hyperpod-ns-team-name-localqueue
        spec:
          containers:
          - command:
            - python3
            - /opt/pytorch-mnist/mnist.py
            - --epochs=1
            image: docker.io/kubeflowkatib/pytorch-mnist:v1beta1-45c5727
            imagePullPolicy: Always
            name: pytorch
    Worker:
      replicas: 10
      restartPolicy: OnFailure
      template:
        metadata:
          # annotations:
            # kueue.x-k8s.io/podset-required-topology: "topology.k8s.aws/network-node-layer-3"
          labels:
            kueue.x-k8s.io/queue-name: hyperpod-ns-team-name-localqueue
        spec:
          containers:
          - command:
            - python3
            - /opt/pytorch-mnist/mnist.py
            - --epochs=1
            image: docker.io/kubeflowkatib/pytorch-mnist:v1beta1-45c5727
            imagePullPolicy: Always
            name: pytorch
            resources:
              limits:
                cpu: 1
              requests:
                memory: 200Mi
                cpu: 1
          #nodeSelector:
          #  topology.k8s.aws/network-node-layer-3: xxxxxxxxxxx

若要查看叢集的拓撲，請使用 DescribeInstanceTopology API 操作。根據預設，拓撲會隱藏在 AWS Management Console 和 Amazon SageMaker Studio 中。請依照下列步驟，在您正在使用的界面中查看它們。

SageMaker Studio

AWS Management Console