1 引言

随着AI技术的演进，模型的计算复杂度和参数量呈现几何级数增长，这使得传统单机单卡部署在算力供给与显存容量方面显得力不从心，从而直接推动了分布式训练/推理技术的快速发展。今年年初爆火的DeepSeek在训练及推理Prefill阶段采用了分级流水AlltoAll算法，具体实现为：首先在Server间执行Token传输，当Token到达目标Server后，再在目标Server内执行Bcast操作，Server内和Server间的操作以Token为粒度进行流水掩盖。

HCCL支持细粒度的分级流水算法，基于Atlas A2 训练系列产品，可大幅提升DeepSeek集群训练中Allgather、ReduceScatter、AlltoAll等集合通信算子的执行效率。

2 简单分级算法存在的问题

为降低网络流量冲突，AI计算集群中常常采用Server内Server间分级网络架构，即Server内通过直连电缆互联，Server间同号卡通过交换机互联。

然而，在Server内Server间分级网络对应的全局通信域中执行集合通信算子，将面临以下两个挑战：

1）Server内链路和Server间链路带宽不同，一般情况下Server内带宽大于Server间带宽，如果使用全局Ring或RHD（Recursive Halving Doubling）算法会存在慢链路的问题.

2）不同Server的不同号卡之间无直连链路，算法设计时，需要考虑连通性问题。

为了解决上述问题，在Server内Server间分级网络中，通常使用分级算法，将全局通信操作分解为多层次的局部操作，利用分阶段、分层递进的方式优化通信效率。例如Allgather操作，Server间先执行一次同号卡间的Allgather（下图红色箭头），再在Server内执行一次Allgather（下图蓝色箭头）。

该分级算法仍然存在一些问题：

1）带宽浪费：上图中Server间数据传输时，Server内的链路处于空闲状态，无法实现带宽利用率的最大化。

2）存在离散数据：以Rank0为例，Server间完成数据传输后，持有Rank0、Rank2、Rank4的数据，这三块数据在Server内数据传输过程中需要发送到Rank1上，但是这三块数据在Rank1上并不是连续分布的，如果将这三块数据分别发送到Rank1上，会引入每次发送的头开销；如果将这三块数据合并发送，又需要引入数据重排的开销。

3 细粒度分级流水算法技术解读

带宽浪费的问题，通常采用流水的方式解决。如下图所示，通过切分数据块，使得完成一部分Server内的数据传输后，就可以开始Server间的数据传输，同时启动第二部分的Server内数据传输。这样，Server内和Server间的数据传输可以并行进行（如红框所示），从而提高总的带宽利用率。

虽然这种方法可以解决带宽利用率不足的问题，但是通过切分数据块的方式进行流水掩盖，会导致单次数据传输的数据量变小，头开销占比过大，通信效率降低，而且无法解决离散数据的问题。

因此，采用细粒度分级流水算法，一方面挖掘通信算法本身的数据依赖，另一方面结合流水并行的方式，解决带宽利用率不足与离散数据的问题。以Allgather为例，Server间的通信选择Ring算法，Server内的通信选择Full Mesh算法。让我们先回顾一下Ring算法的步骤：假设共有n个Server，那么Ring算法会执行n-1步操作，在第i步时，本Rank将获得前i个Rank上的数据。

在简单分级算法中，执行完全部n-1步操作后才会进行Server内的数据传输。然而，观察Rank上每个步骤的数据状态可以发现：每完成一步数据传输，都会有新的数据块被传输到Rank上，该数据块在下一步数据传输时，可以同时完成Server间的数据传输和Server内的数据传输。如下中图所示，绿色数据块从Rank5被发送到Rank1上（仅陈述部分Rank的行为，其它Rank对称处理），在接下来的步骤中，Rank1继续向Rank3发送绿色数据块（Ring算法标准步骤），同时Rank1也可以向同Server中的Rank0发送绿色数据块。

继续执行Ring算法，每一步在进行Server间数据传输的同时，还会向Server内其它Rank传输上一步接收到的数据块，Ring算法的最后一个步骤结束后，仅需要在Server内再进行一次数据块的传输即可完成全部算法步骤（Rank初始数据块的Server内传输操作，可以隐藏在Ring算法的第一步中进行），Rank0上的全部传输任务编排如下图所示，LocalCpy操作仅在输入输出内存不同场景中执行，用于将数据块从输入内存移动到输出内存，在输入输出内存相同场景中，则无需执行该操作。

该算法利用Ring算法的数据依赖关系，实现了Server内/Server间的并发执行，以提高带宽利用率。同时，由于该算法的切分方式是对传输数据块进行重排，每次数据传输所操作的数据块仅包含一个Rank的初始数据，因此在跨卡传输时，数据可以直接传输到最终位置，从而避免了离散数据的问题。

4 性能收益评估

让我们对该算法进行简单的收益分析，假设n个Server，每个Server中有m张卡，Server内采用Full Mesh通信算法，每条链路的带宽为bw_a，Server间Clos连接，带宽为bw_e；假设输入数据量s足够大，仅考虑带宽时延，并且bw_a > bw_e。

采用简单分级算法，算子耗时为：

采用细粒度分级流水算法，算子耗时为：

可以看到，当bw_e和bw_a接近时，n越大，算法性能提升越大，最大提升接近1倍。

5 更多学习资源

HCCL集合通信库，通过高性能集合通信算法、计算通信统一硬化调度、计算通信高性能并发等创新技术，可充分利用硬件资源，显著提升大模型通信效率。欢迎昇腾社区HCCL学习专区，获取海量学习资源：https://www.hiascend.com/hccl