VMWare 在 vSphere 上验证 Alveo FPGA 的机器学习推断性能

硬件加速器已在数据中心得到普遍使用，一系列新的工作负载已经能够成熟地发挥 FPGA 的加速优势及其更优异的计算效率。业界对机器学习 (ML) 的关注度不断提高，推动 FPGA 加速器在私有云、公有云、混合云数据中心环境中日益普及，从而为计算密集型工作负载加速。近期，在推动 IT 基础设施向异构计算转型的过程中，赛灵思与 VMware 展开协作，在 VMware 的云计算虚拟化平台vSphere上测试 FPGA 加速。由于赛灵思 FPGA 越来越广泛地应用于 ML 推断加速，本文将展示的是如何将赛灵思 FPGA 与 VMware vSphere 相结合，在虚拟部署和裸机部署上实现基本相同的高吞吐量、低时延 ML 推断性能。

VMware 在其实验室中使用赛灵思 Alveo U250 数据中心卡进行测试。使用在Vitis AI中提供的 Docker 容器——为从边缘到云端的赛灵思硬件平台提供的 ML 推断统一开发栈，ML 模型可以迅速完成配置。该容器由经过优化的工具、库、模型和示例构成。Vitis AI 支持含 Caffe 和 TensorFlow 在内的主流框架以及能够执行多种深度学习任务的最新模型。此外，Vitis AI 是一种开源应用，可通过访问GitHub获取。

目前，赛灵思 FPGA 通过 DirectPath I/O 模式（直通模式）能在 vSphere 上使用。在这种模式下，我们的 FPGA 能够由运行在虚拟机内部的应用直接访问，绕过程序管理层，从而最大化性能并最大限度降低时延。配置 DirectPath I/O 模式下的 FPGA 只需简单的两步流程：首先，在主机层面上启用 ESXi，然后将器件添加到目标虚拟机。详细操作方法参见 VMware KB 一文（https://kb.vmware.com/s/article/1010789）。请注意，如果运行的是 vSphere 7，则不再需要重启主机。

通过与赛灵思合作，VMware 使用四个 CNN 模型执行推断任务，对我们的 Alveo U250 加速器卡在 DirectPath I/O 模式工作下的吞吐量和时延性能进行评估。这四个模型分别为Inception_v1、Inception_v2、Resnet50 和 VGG16。这些模型在模型参数数量上不尽相同，因而具备不同的处理复杂性。

测试在搭载两颗 10 核 Intel Xeon Silver 4114 CPU 和 192GB DDR4 存储器的 Dell PowerEdge R740 服务器上进行。我们使用 ESXi 7.0 虚拟机程序管理器，将每种模型的端到端性能结果与作为基线的裸机性能进行对比。Ubuntu 16.04（内核版本 4.4.0-116）用作客户端操作系统和本地操作系统。此外，在整个测试过程中将 Vitis AI v1.1 与 Docker CE 19.03.4 结合使用。同时使用源于 ImageNet2012 的 50k 图像数据集。为进一步避免图像读取过程中遭遇磁盘瓶颈，还创建了一个 RAM 磁盘用于存储 50k 图像。

完成这些设置后，虚拟测试和裸机测试之间的性能比较可从下面的两个图中进行观察。一个针对吞吐量，另一个针对时延。y 轴代表虚拟测试和裸机测试间的吞吐量性能比值。y=1.0 代表虚拟测试和裸机测试的吞吐量性能结果相同。

测试证明，虚拟环境和裸机间在吞吐量和时延两方面的性能差距最大不超过 2%。这说明在虚拟环境中运行在 vSphere 上的 Alveo U250 的 ML 性能与作为基线的裸机性能极为相近。

在数据中心中采用 FPGA 加速器已成为普遍现象，而且为满足对异构计算和性能提升的需求，FPGA 加速器的应用还将继续增长。我们非常高兴能够与 VMware 展开合作，共同确保客户能充分发挥运行在 vSphere 平台上的赛灵思 FPGA 加速的全部优势。我们在 vSphere 上对我们的 Alveo U250 加速器卡进行 ML 推断性能测试，成功地向客户证明了该器件在 DirectPath I/O 模式下能够实现接近裸机的性能。

关注我们