PyTorch/TorchRec项目中大规模EmbeddingBag配置规划的性能优化

问题背景

在PyTorch的推荐系统库TorchRec中，当使用EmbeddingShardingPlanner进行分布式规划时，如果EmbeddingBagConfig的数量超过500个，系统会遇到NCCL通信超时的问题。这个问题在8个GPU的分布式环境下尤为明显，规划过程耗时超过900秒，远超出NCCL默认的超时时间。

技术细节分析

1. 问题复现环境

测试环境使用了以下配置：

• TorchRec 0.8.0 + CUDA 12.1
• PyTorch 2.4.0 + CUDA 12.1
• FBGEMM-GPU 0.8.0 + CUDA 12.1
• 8个GPU的分布式设置

测试脚本创建了500个随机配置的EmbeddingBag表，每个表的嵌入维度在4到16之间随机变化，嵌入数量在2到1000之间随机变化。

2. 问题核心

collective_plan方法的执行时间随着EmbeddingBagConfig数量的增加呈非线性增长。当配置数量达到500时，规划时间超过15分钟，导致NCCL通信超时。即使将NCCL超时时间延长到1小时，规划过程仍然耗时904秒。

性能瓶颈分析

1. 规划算法复杂度

EmbeddingShardingPlanner使用的启发式规划算法在最坏情况下可能具有较高的时间复杂度。随着表数量的增加，规划空间呈指数级增长，导致计算时间急剧上升。

2. 分布式通信开销

collective_plan方法需要在所有GPU之间进行协调和通信，随着规划复杂度的增加，通信次数和通信量也随之增加，这在分布式环境下会放大性能问题。

3. 内存压力

HeuristicalStorageReservation尝试保留70%的GPU内存，对于大规模配置，内存计算和优化本身也会消耗大量时间。

优化建议

1. 分批规划策略

可以将500个表分成若干批次进行规划，每批处理一定数量的表。这种方法虽然可能无法达到全局最优，但可以显著减少单次规划的时间。

2. 缓存规划结果

对于相对静态的表配置，可以考虑缓存规划结果，避免每次运行时都重新规划。

3. 优化规划算法

可以考虑实现更高效的规划算法，如基于动态规划或贪心算法的近似解法，在可接受的时间内获得足够好的解。

4. 调整NCCL参数

虽然这不是根本解决方案，但可以调整NCCL的超时参数和通信参数以适应长时间运行的规划过程。

实际应用建议

对于生产环境中需要处理大规模EmbeddingBag配置的情况，建议：

1. 评估是否所有表都需要独立配置，有些表是否可以共享配置
2. 考虑使用更粗粒度的分片策略
3. 在开发环境中预先计算规划结果
4. 监控规划时间随表数量增长的趋势，提前预估资源需求

结论

TorchRec在大规模EmbeddingBag配置下的规划性能问题反映了分布式推荐系统面临的典型挑战。通过算法优化、系统调优和合理的架构设计，可以在保持功能完整性的同时显著提升性能。未来版本的TorchRec可能会针对这一问题提供更优化的内置解决方案。