RAPIDS/cuGraph项目：探索移除Dask依赖以优化GNN多节点多GPU训练

在深度学习领域，图神经网络(GNN)的训练面临着独特的挑战，特别是在多节点多GPU(MNMG)环境下的扩展性问题。RAPIDS/cuGraph项目团队近期针对其GNN包中的Dask依赖进行了深入分析，提出了移除这一依赖的技术路线，以解决当前架构中的若干关键问题。

当前架构的局限性

现有实现中，cuGraph使用Dask作为MNMG处理的核心框架，这在实践中带来了几个显著问题：

1. 内存管理冲突：RMM(内存管理器)池无法在进程间共享，导致每个Dask工作进程和对应的PyTorch DDP工作进程在相同GPU上创建独立的内存池，造成显著的内存浪费。

2. 采样效率低下：由于技术限制，多个数据加载器无法同时调用uniform_neighbor_sample函数，导致GPU资源利用率不足，理想情况下这些采样请求应该被合并处理。

3. 框架整合复杂度：Dask和PyTorch的DDP(Distributed Data Parallel)在同一个工作流中共存，增加了系统复杂性，使得示例代码难以理解，特别是对于不熟悉Dask的开发者而言。

技术改进方向

项目团队提出了基于RAFT和PyLibcuGraph的替代方案，这一方向具有以下优势：

1. 简化架构：直接利用PyTorch DDP作为进程管理器，减少框架间的交互复杂性，使系统更加直观和易于维护。

2. 内存优化：消除重复的内存池分配，提高整体内存使用效率，这对于大规模图训练尤为重要。

3. 性能提升：为未来功能如采样/加载重叠等提供了更简单的实现路径，有望进一步提高训练吞吐量。

行业实践参考

这一技术路线并非首创，同属RAPIDS生态的WholeGraph项目已经成功实现了类似架构，它完全依赖DDP进行进程管理，并使用RAFT/NCCL进行通信。这为cuGraph的改造提供了宝贵的技术参考和验证。

预期影响

移除Dask依赖将带来多方面的改进：

1. 开发者体验：简化MNMG工作流的设置过程，降低学习曲线，使更多研究者能够轻松使用cuGraph进行大规模GNN训练。

2. 资源利用率：通过更精细的内存管理和计算任务合并，提高硬件资源使用效率，特别是在GPU显存受限的场景下。

3. 功能扩展性：为未来性能优化功能铺平道路，如流水线化的采样和加载过程，这将显著减少训练过程中的等待时间。

这一架构演进代表了cuGraph项目对高效、易用的大规模图神经网络训练解决方案的持续追求，有望为图深度学习社区带来更加强大和用户友好的工具集。