首页
/ dstack项目0.19.3版本发布:GPU集群管理与云资源优化新特性

dstack项目0.19.3版本发布:GPU集群管理与云资源优化新特性

2025-06-26 15:03:19作者:冯梦姬Eddie

项目概述

dstack是一个开源的云原生工作流编排平台,专注于为机器学习和高性能计算任务提供高效的资源管理和调度能力。该项目通过抽象化底层云基础设施,让研究人员和工程师能够轻松地在不同云服务商之间部署和管理计算任务,特别适合需要大规模GPU资源的深度学习训练场景。

核心更新解析

GCP A3 Mega实例的GPUDirect-TCPXO支持

本次版本最显著的改进是针对Google Cloud Platform(GCP)A3 Mega实例的深度优化。A3 Mega是GCP最新推出的高性能计算实例类型,配备NVIDIA H100 GPU和高达1800Gbps的网络带宽。

dstack现在能够自动配置这些实例,启用GPUDirect-TCPXO技术。这是一种专为NCCL(NVIDIA Collective Communications Library)优化的网络通信协议,可以显著提升多GPU节点间的数据传输效率。从版本提供的NCCL测试结果可以看出,在大规模数据传输场景下(如8GB数据包),系统能够达到201GB/s的算法带宽和188GB/s的总线带宽,接近硬件理论最大值。

DataCrunch后端增强

DataCrunch作为新兴的GPU云服务提供商,在此版本中获得了全面支持:

  1. Blackwell架构支持:成为首个支持NVIDIA B200 GPU的dstack后端,B200是NVIDIA最新发布的AI加速卡,采用Blackwell架构
  2. Hopper架构支持:新增对H200 GPU的支持,完善了对最新硬件架构的覆盖
  3. 灵活的实例选择:用户现在可以通过简单的CLI命令(如dstack apply --gpu B200)直接申请特定GPU类型的实例

CUDO后端功能扩展

CUDO计算平台的后端支持得到了全面更新,现在可以兼容:

  • H100(最新数据中心GPU)
  • A100(上一代旗舰AI训练GPU)
  • A40(专业可视化及计算卡)
  • 以及该平台提供的所有其他GPU型号

这一改进使得用户能够在CUDO平台上充分利用各种计算资源。

工作流管理增强

舰队(Fleet)管理功能

新引入的fleets属性和--fleet命令行选项为多团队协作场景提供了更精细的资源控制:

type: task
fleets: [team-a-fleet, team-b-fleet]

或者通过CLI:

dstack apply --fleet team-a-fleet --fleet team-b-fleet

这一功能允许管理员将计算资源划分为不同的逻辑组,确保特定工作负载只在指定的资源池中运行,避免资源争用并提高利用率。

底层优化与问题修复

  1. 网络配置改进

    • 优化了GCP跨区域可用子网的查询效率
    • 修复了Nebius平台中非默认CIDR私有网络的兼容性问题
  2. 区域处理增强

    • 使区域过滤变为大小写不敏感
    • 为Lambda后端添加了完整的区域支持
  3. 稳定性提升

    • 修复了TensorDock实例终止时的问题
    • 改进了相对日期在CLI中的显示(周和月级别)
  4. 存储管理

    • 现在允许将存储卷挂载到/workflow目录,增强了工作流数据管理的灵活性

技术影响与最佳实践

对于深度学习工程师和研究团队,0.19.3版本带来了几个关键实践建议:

  1. 大规模训练任务:对于需要多节点分布式训练的场景,优先考虑使用GCP A3 Mega实例配合GPUDirect-TCPXO,可以获得接近线性的扩展效率。

  2. 新硬件评估:想要体验Blackwell架构的用户,可以通过DataCrunch后端快速获取B200实例进行测试和基准评估。

  3. 资源隔离:在多团队环境中,利用新的fleet功能实现资源逻辑隔离,确保关键任务不受干扰。

  4. 成本优化:结合各云平台的不同定价策略(如DataCrunch的spot实例价格显著低于按需实例),灵活选择部署方案。

这个版本体现了dstack项目在支持最新硬件技术和优化云资源管理方面的持续投入,为用户提供了更强大、更灵活的大规模计算能力部署方案。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8