动态 EPLB 要做负载归约和权重迁移。接入 Ascend 时,默认 WORLD 已由 PyTorch 创建,直接传 group=None 就能使用;服务又有现成 TP 组,换成它会不会少占资源?
起因是一次很小的专家负载统计:执行后,设备占用突然多了几个 GiB。统计张量没有这么大,权重和 KV Cache 也没变。追到初始化过程才发现,WORLD 虽然创建了,却还没做过设备通信;第一次真正使用时,仍要分配通信资源。TP 之前做过的初始化不会自动替它完成。
我们先在完整服务里看 OFF 后续是否也会用到 TP,再开独立进程,让 TP 先完成通信,测 WORLD 额外带来的占用。40 轮迁移与图回放之后,复用 TP 比另用 WORLD 每芯片少占 P 4.04 GiB、D 2.39 GiB,主要差在第二套通信资源。
一、同一批 rank,可以有两个通信组
dist.init_process_group() 建立默认进程组,group=None 就使用它。SGLang 的并行组管理另外创建 TP、MoE 等组。WORLD 和 TP 即使都包含 rank 0~15,也可能是两个 ProcessGroup 对象。
进程组除了记录参与者,还持有通信上下文。框架收到 group=None 后,不会再搜索哪个同成员组已经有缓冲区;成员相同本身不能让两组共享资源。
这里的“复用”要落实到同一个组对象。WORLD 已创建,只表示能找到它的成员与通信入口;TP 已做过通信,只表示 TP 那个入口已经准备了相应资源。把下一次操作的 group 参数改成 TP,才是在继续使用 TP 的通信上下文。操作仍传 None,就是在使用 WORLD,即使两组里的进程名单完全一样。
实验比较的就是下面两种调用:
# 两组实验都已经完成这些准备,以下是调用关系示意。
dist.init_process_group(backend="hccl", pg_options=world_options)
tp_group = dist.new_group(backend="hccl", pg_options=tp_options)
dist.all_reduce(warmup_tensor, group=tp_group)
# A:明确使用刚才已经参与通信的 TP 组。
dist.all_reduce(expert_counts, group=tp_group)
# B:选择默认 WORLD。
dist.all_reduce(expert_counts, group=None)
A、B 处理相同统计数据,rank 数也相同,区别只有最后的组参数。B 的计算结果可以完全正确,首次执行时却多激活一套设备通信资源。
这是延迟初始化带来的差别:创建进程组后,Python 对象和 rank 信息已有了,设备通信器、缓冲区及运行时资源可能等到实际通信才准备。WORLD “已存在”与“已完成设备初始化”因此是两个时刻。
二、先把 OFF 后面的流程看完
不过,要把这几个 GiB 归给 EPLB,得先选对比较时刻。
早期快照显示 ON 比 OFF 多占 P 约 524 MiB、D 约 2525 MiB。当时 ON 已做过 TP 通信,OFF 还没有。若在这里停下,就会把 ON 提前初始化的资源全部记成 EPLB 常驻开销。
该轮 DeepSeek-V4 服务使用 f6ad2f4f。Scheduler.maybe_init_hccl_dp_prewarm会在 NPU、DeepSeek-V4 条件下对同一 TP 组做 all_reduce,无论是否开启 enable_eplb。OFF 的 P、D 两端各 16 个 rank 都记下了这次预热,时间在 READY 和正式请求之前。
也就是说,让 OFF 继续启动,它同样会分配那部分 TP 资源。早期两张快照比较的是不同初始化阶段。
我们等 OFF 完成 512 个请求,再在原进程中使用同一 TP 组通信。模型是 DeepSeek-V4-Flash-0731 W8A8,P、D 各 16 个 Ascend 910C 逻辑设备,并发 128,输入 16,388 token、输出 8,192 token,512 条全部成功。
表格可左右滑动 →
| OFF 完成负载后执行的操作 | P 新增,MiB/芯片 | D 新增,MiB/芯片 |
|---|---|---|
同一 TP 组再次 all_reduce |
0.00 | 0.00 |
| 随后首次批量 P2P | 32.31 | 32.13 |
表里是每端 16 个 rank 的平均值。再次 all_reduce 时,全部 32 个 rank 都没有增加占用,和启动日志相互对应:OFF 已经激活 TP 集合通信资源。ON 早期多出来的部分,不能据此当成稳态多占。
首次批量 P2P 仍增加了约 32 MiB。一个组做过集合通信,第一次走另一种收发路径时,还可能初始化其他资源。
这里的 32 MiB 来自设备占用实测,与 hccl_buffer_size=32 的设置没有关系,也没有恢复早期专用小缓冲组。两个数字恰好相同,来源却不同。
三、WORLD 的几个 GiB 从哪来
为了找出 WORLD 的额外开销,独立实验沿用服务的 P、D 环境参数,继续查两组实际收到的选项。
当时 get_torch_distributed_pg_options 有这段判断:
# 摘录:省略平台检查及 Options 对象创建。
if group_name is not None and "moe" not in group_name:
return None
hccl_buffer_size = int(
os.environ.get("DEEPEP_HCCL_BUFFSIZE")
or os.environ.get("HCCL_BUFFSIZE")
or 200
)
options.hccl_config = {"hccl_buffer_size": hccl_buffer_size}
默认 WORLD 没有传组名,会继续读取缓冲区配置;TP 传入 "tp",在这里提前返回 None。后者表示这个函数不覆盖选项,后端仍使用 HCCL 自身的环境配置和默认值。
表格可左右滑动 →
| 实验配置 | P | D |
|---|---|---|
DEEPEP_HCCL_BUFFSIZE |
2048 | 未设置 |
HCCL_BUFFSIZE |
未设置 | 1200 |
WORLD 显式 hccl_buffer_size |
2048 MiB | 1200 MiB |
TP 的 pg_options |
None |
None |
| 通信展开模式 | AIV | AIV |
DEEPEP_HCCL_BUFFSIZE 的名字容易让人只想到 DeepEP,这段默认 WORLD 代码却也读取它,P 端因此拿到了 2048 MiB 配置。变量名没有限定住它在实际代码中的用途。
首次用 WORLD 统计后,每芯片占用约增加 P 4098 MiB、D 2402 MiB,接近 2 × 2048 MiB、2 × 1200 MiB 再加少量运行时资源。配置解释了主要规模;实测是设备总占用,不能把每个字节都归为缓冲区本体。
这次同时记录了三种读数。PyTorch 的 allocated 表示其分配器当前交给活跃张量使用的空间,reserved 还包含分配器持有、等待复用的缓存;设备 free memory 则反映整块逻辑设备还剩多少空间。
统计张量在前一测点已经创建。首次统计前后,allocated、reserved 都没变,设备空闲显存却少了几个 GiB。沿这组三个读数,可以把新增占用定位到 PyTorch 张量分配器之外。若报告只列 allocated,就会把这次真实增加的设备占用漏掉。
四、让 TP 先热起来,再比较 WORLD
既然 OFF 启动后也会使用 TP,正式对照就从 TP 已完成通信的时刻开始。
P、D 两套配置分别跑“复用 TP”和“使用 WORLD”,共四次独立的 16-rank 进程运行。每次先创建 WORLD、TP,执行 TP all_reduce,记下基线,再进行 EPLB 统计、P2P 和权重迁移。
flowchart TD
A[创建 WORLD 和 TP] --> B[TP all_reduce 完成]
B --> C[记录显存基线]
C --> D[方案 A:EPLB 显式使用 TP]
C --> E[方案 B:EPLB 使用默认 WORLD]
D --> F[统计、P2P、40 轮迁移及图回放]
E --> G[相同检查流程]
TP 首次通信本身约占 P 479 MiB、D 2479 MiB,两边都付过这笔成本。下表只记此后新增的部分:
表格可左右滑动 →
| 配置与测点 | 复用 TP | 使用 WORLD | WORLD 多占 |
|---|---|---|---|
| P:首次统计完成 | 0.00 | 4097.94 | 4097.94 |
| P:全 peer P2P 预热完成 | 48.72 | 4186.23 | 4137.51 |
| P:全部迁移及图回放完成 | 140.18 | 4278.42 | 4138.24 |
| D:首次统计完成 | 0.00 | 2401.98 | 2401.98 |
| D:全 peer P2P 预热完成 | 49.08 | 2491.89 | 2442.81 |
| D:全部迁移及图回放完成 | 140.38 | 2582.83 | 2442.45 |
单位为 MiB/芯片,取 torch.npu.mem_get_info() 的空闲字节差,再对本次 16 个 rank 求均值。这里的“芯片”指逻辑设备,没有合并成物理卡或服务器总量。
首次统计时,复用 TP 的所有 rank 都没有新增占用;WORLD 则各自增加 P 4097.52~4099.48 MiB、D 2401.75~2402.49 MiB。迁移和图回放做完,方案间仍相差 P 4138.24 MiB、D 2442.45 MiB。
比较占用的同时也检查通信功能。all_reduce、reduce、broadcast 覆盖 int64、int32、float32;迁移包含不变布局、环形搬迁、两 rank 交换、卡内交换、冗余专家、重复目标。每 rank 做 40 轮布局检查,真实 NZ29 int8、bfloat16 主权重走过 NZ→ND、迁移、ND→NZ、原位回填,ND float32 辅助权重也一并搬移。
每轮都核对权重值、存储地址和格式,再回放读取原权重地址的 grouped matmul、TP all_reduce 图,比较输出。四次运行都是 16/16 rank 通过。两种方案均能完成这些功能,额外显存差异也一直存在。
独立实验的全 peer 预热约增加 49 MiB,完整服务首次批量 P2P 则约增加 32 MiB。测点和执行历史不同,不能用一个覆盖另一个;二者都说明复用之后,新通信路径仍有初始化成本。
五、真正接入时,不能随手拿一个 TP 组
接入通用代码还要检查 rank 的含义。迁移计划按 rank 找专家,部分统计有指定根节点,所选通信组必须保持这些编号可用。
例如 WORLD 有 32 个 rank,TP 分成两个 16-rank 子组。要把专家从全局 rank 3 搬到 rank 20,任一 TP 子组都覆盖不了。即使成员数相同,只要顺序变了,原映射也可能指错位置。
整理后的实现因此只在 TP 设备组与 WORLD 等价时复用:成员恰为 0..world_size-1,顺序、后端一致。弹性 EP 或 TP 子组沿用原 WORLD 路径,条件如下:
if (
elastic_ep_enabled
or tp_group is None
or tp_group.ranks != list(range(dist.get_world_size()))
or dist.get_backend(tp_group.device_group) != dist.get_backend()
):
return None
return tp_group.device_group
条件满足后,原根节点、peer ID、槽位映射都可继续使用,只把底层通信上下文换成现有 TP。固定代码见 communication.py。
首次批量 P2P 也被移到启动阶段统一预热。实际重平衡时,有些 rank 可能没有收发任务;若等到这时才初始化,参与者就由当次布局决定。启动时先做所有 peer 的小张量收发并等待完成,可以让各 rank 走完首次流程。
预热把首次通信的准备工作提前到启动阶段,让后面的 KV 容量规划能看到这部分占用。它本身也要花时间和显存。这里省下大块空间的原因,则是继续使用已激活的 TP,没有再激活第二套 WORLD 通信资源。把“什么时候分配”和“分配几套”分开,才能解释预热与复用各自起的作用。
权重读写的顺序继续由原迁移流程保证:旧 forward 用完,迁移和原位回填完成,后续图回放再读新值。复用组本身不会自动建立 stream 或事件依赖。
六、把两本账分开,结论就不矛盾了
回头看,这次有两份比较:OFF 最终是否也会激活 TP,以及 TP 激活后再用 WORLD 会增加多少占用。把时间点分开,早期快照与最终结果就能对上:
表格可左右滑动 →
| 对照 | 已经确认的结果 |
|---|---|
| 同一服务的 OFF 与 ON,都使用 TP | OFF 在原生预热阶段也激活 TP;早期 524/2525 MiB 差值不能直接记成稳态 EPLB 新增 |
| TP 已经激活,再用 TP 或首次用 WORLD | WORLD 另外分配资源;完整小实验结束时相差 P 4.04 GiB、D 2.39 GiB/芯片 |
| 已用 TP 集合通信,再首次用 TP P2P | 完整服务实测仍新增约 32 MiB/芯片 |
| 权重迁移产生临时张量 | 属于 staging 和分配器生命周期,另行分析 |
专用小缓冲 HCCL 组也能单独设置缓冲区和展开模式,但需要再持有一份通信上下文。本次 TP 恰好覆盖全部参与者,OFF 启动又必然使用它,因此复用可以利用已经付出的资源。
这个前提换了,收益也会变。若应用本来就持续用 WORLD 通信,其大缓冲区早已计入基线,不能再套用这里的额外激活成本。需要沿实际首次通信时间和设备占用测量,单数创建了几个组算不出节省量。
此外,EPLB 统计张量、首次 P2P、权重中转、分配器缓存仍各占一部分显存。上一篇逐层处理为何仍堆出多层临时张量追踪的是临时张量生命周期,这篇追踪通信上下文,两处修改解决的开销各有来源。
实验版本与数据
完整服务记录来自 2026-10-29 的 f6ad2f4f922d0df111dc66153f543a453267455c,包含启动过程和 512 请求后的同进程通信。独立实验执行于 2026-10-30,使用 PyTorch 2.10.0+cpu、torch_npu 2.10.0.post6、Ascend 910C,提取了当时工作区的通信选项、单层迁移、staging 实现;冻结标识为 f6d3a584ce239d4cbc713996663a7de181d3bfdc6f4862bf52a6dc1e75efee65。工作区基于 796ec868,包含当时的 staging 优化,各源文件校验值随数据保留。
证据说明交代测量口径和源码校验值,通信实验 CSV保留逐 rank、逐阶段读数,OFF 后续激活记录记录完整服务后续通信。文中的均值和范围均可从各自测点重算。