DeepSeek组网的演进与效率提升

解锁DeepSeek训练效率

近年来，千亿至万亿参数规模的大语言模型（LLM）训练已成为人工智能领域的核心战场。随着模型复杂度的指数级增长， 并行计算与网络拓扑的协同设计逐渐成为突破算力瓶颈的关键挑战。

在数据并行（Data Parallelism）中，全局梯度同步（All-Reduce）对网络带宽提出严苛要求。早期的CLOS架构凭借无阻塞特性支撑了大规模集群的扩展，但其高昂的硬件成本与能效问题催生了Dragonfly等低直径拓扑的兴起，通过自适应路由减少跨节点跳数。与此同时，模型并行（Model Parallelism）中的张量切分与流水线编排，则依赖于NVLink域内直连或Torus环形网络的低延迟特性，减少通信开销 。混合并行（3D Parallelism）的普及进一步放大了这一挑战：如何在层级化通信（节点内、跨节点、跨数据中心）中动态平衡带宽分配与延迟控制，成为软硬件协同优化的焦点。

模型并行（Model Parallelism）：低延迟局部通信优先

• 张量并行（Tensor Parallelism） ：层内分片需高频次点对点通信，如Transformer自注意力层的权重分片。
• 流水线并行（Pipeline Parallelism） ：跨层顺序传输激活值和梯度，需稳定低抖动网络。

Rail-Only将TP的All-Gather/Reduce-Scatter操作限制在高带宽（HB）域内（如NVLink直连的GPU组），利用物理邻近性降低延迟。

• GPU服务器内部：每四个GPU作为一组，共享一个并行推理网卡，连接到同一个PCI Switch,两组GPU之间的通信通过两个PCI Switch之间的直连通道完成；
• GPU服务器之间：同一组号的GPU之间的通信通过交换机直接完成；不同组号的GPU之间的通信，先通过PCI Switch将流量路由到另一组的网卡，然后通过交换机完成。

数据并行（Data Parallelism）：高带宽全局通信需求

依赖全局梯度同步（All-Reduce），带宽需求与模型参数量成正比。例如，千亿参数模型的单次All-Reduce操作可能需传输10GB级数据。 Fat-Tree（CLOS），通过无阻塞设计（如3层CLOS架构）支持大规模全局通信。

小规模并行训练网络拓扑

• 每台训练服务器有8张GPU，2张400G网卡，双归连接到两台CX732Q-N
• 16个训练服务器（128张GPU）和2个CX732Q-N组成一个PoD。
• 可横向扩展至64个PoD

混合并行（3D并行）：分层通信优化

协同设计 ：DP+TP+PP组合需分层匹配拓扑，通过分层CLOS网络实现带宽隔离。

中大规模并行训练网络拓扑

• 每台训练服务器有8张GPU，2张400G网卡，双归连接到两台CX864E-N
• 64个训练服务器（512张GPU）和2个CX864E-N组成一个PoD，服务器间一跳可达。
• 可横向扩展至64个PoD

【参考文献】

https://blog.csdn.net/aolan123/article/details/138462107

https://mp.weixin.qq.com/s?__biz=MzIwNDk1MDA0OQ==&mid=2247502867&idx=1&sn=aaea9d739e2c3b74fc21c0ea50976af6&chksm=966a43a824c8caae86413a4ac2d5ba3bcdd0df6f388b49d1389692cc58f36d33694408213b0d#rd

https://bhxb.buaa.edu.cn/bhzk/cn/article/doi/10.13700/j.bh.1001-5965.2022.0731