From 4c3f332f6416ff946b477465e6d2e8a8d263603f Mon Sep 17 00:00:00 2001 From: Gahow Wang Date: Tue, 16 Jun 2026 11:04:11 +0800 Subject: [PATCH] =?UTF-8?q?docs:=20Phase=20T11=20=E2=80=94=20caching=20all?= =?UTF-8?q?ocator?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit Design doc for the device caching/pool allocator (KI-5 re-diagnosis recap, size classes, per-device + thread-safety, Drop->return, transparency/correctness argument, why skip-memset uninit is deferred, dual verification gates). Before/ after numbers filled after dash5 measurement. Co-Authored-By: Claude Opus 4.8 --- docs/10-caching-allocator.md | 134 +++++++++++++++++++++++++++++++++++ 1 file changed, 134 insertions(+) create mode 100644 docs/10-caching-allocator.md diff --git a/docs/10-caching-allocator.md b/docs/10-caching-allocator.md new file mode 100644 index 0000000..cb6828d --- /dev/null +++ b/docs/10-caching-allocator.md @@ -0,0 +1,134 @@ +# Phase T11: Device Caching / Pool Allocator — Design Document + +## Goal + +修 **KI-5 的根因**。T10 修掉单卡 launch-bound（1653→40K tok/s）后，DDP 多卡仍只有 ~1.4× 的弱扩展。 +T11 第一版拟修复（**分桶 all-reduce**）经 dash5 实测**证伪并 revert**：grad all-reduce 每步只占 +**~6–7%**，融成一发对 1/2/4/8 卡几乎无差（见 [docs/known-issues.md](known-issues.md) KI-5 表）。 + +实测重新定位的根因：**每个 tape op 的输出都走 `Tensor::zeros` → `GpuBuffer::alloc` → +`cudaMalloc` + `cudaMemset`**。`cudaMalloc`/`cudaFree` 是**同步、进程级串行**的 driver 调用；在 +**单进程 thread-per-GPU** 的 DDP 模型下，N 个 rank 线程每步几百次 alloc 在**单 CUDA context** 里排队 +互相串行（`NOCOMM=1` 完全不通信时 fwd+bwd 仍 136→780ms 膨胀 ~6×，`nvidia-smi` 抽样 8 卡同一时刻 +只有 1–2 张在忙、轮流跑）。**这笔 per-op alloc 开销单卡也吃**——训练定形状、每步重复 malloc/free +同样的几百个 buffer，纯属浪费。 + +T11 的修复：在 `xtrain-cuda`（`GpuBuffer`/`cudaMalloc`/`cudaFree` 所在）加一个 **device caching / +pool allocator**——freed 的显存**进 per-device 的 size-classed free-list 复用，不 `cudaFree`**； +`alloc` 优先从 free-list 取，miss 才 `cudaMalloc`。训练定形状 → 命中率极高，**warm-up 后每步 +`cudaMalloc` ≈ 0**，消掉串行 driver 调用风暴。 + +**硬闸门是正确性**：allocator 必须**透明**——交出的字节、数值与改前**逐位一致**，所有既有 grad-check / +PyTorch 对拍 / overfit / DDP / xserv 闭环**必须仍过**。在此之上拿吞吐收益。 + +## Module Layout + +``` +crates/xtrain-cuda/src/ + pool.rs ← 新增：global per-device free-list registry + size-class 逻辑 + memory.rs ← GpuBuffer::alloc 从 pool 取；Drop 归还 pool（不 cudaFree） + ffi.rs ← 加 cudaGetDevice（Drop 要知道 buffer 属哪个 device pool） + lib.rs ← `mod pool;` +``` + +`xtrain-tensor` **零改动**：`Storage::zeros` 仍 `GpuBuffer::alloc` + `memset(0)`，签名不变。 +pool 完全藏在 `GpuBuffer` 后面，上层无感。 + +## Key Design Decisions + +### 1. Size class（按粒度向上取整 → 跨步可复用） + +请求字节数向上取整到一个 **size class**，同形状的 op 输出落进同一 free-list、跨 step 复用： + +```rust +const MIN_CLASS: usize = 512; // 小分配的对齐粒度 +const POW2_THRESHOLD: usize = 1 << 20; // 1 MiB + +fn size_class(len) = + if len <= 1 MiB { ceil(len / 512) * 512 } // 细粒度，浪费 ≤512B + else { len.next_power_of_two() } // 粗粒度，class 数有界 +``` + +小分配按 512B 对齐（浪费极小）；大分配按 2 的幂取整（class 数有界 → free-list 浅，最多浪费 ~2×， +但**显存是复用不是泄漏**，定形状训练里大 buffer 的 class 也就那么几个）。 + +**关键透明性**：物理分配是 `cap`（取整后），但 `GpuBuffer::len()` 仍返回**请求的 `len`**： +- `memset(0)` 只 zero **逻辑 `len`** 字节（不是 `cap`）； +- 所有 copy（H2D/D2H）bounds 用 `len`，D2H 拷回 host 也只拷 `len` 字节； +- op kernel 只按 shape（= `len`）读写。 + +→ `cap - len` 的尾部字节**永不被任何人读到**，所以 round-up 对数值**完全透明**。 + +### 2. Per-device + 线程安全（DDP thread-per-GPU） + +DDP 是单进程 thread-per-GPU——pool 必须跨 rank 线程安全，且**不能让不同 device 的线程互相串行** +（否则没解决问题）： + +``` +global REGISTRY: Mutex>>> +DevicePool { free: HashMap> } +``` + +- **两级锁**：registry 锁只在「按 device_id 取出（或首次插入）该 device 的 `Arc>`」 + 这一瞬持有，立刻 clone Arc 出来、释放 registry 锁，再锁**该 device 自己的** pool。 + → 不同 device 的 rank 线程**各锁各的 pool，真并发**，registry 锁只是极短的查表。 +- buffer 在 **alloc 时**记下当前线程的 CUDA device（`cudaGetDevice`，DDP 每 rank 线程开头 set 一次）， + 存进 `GpuBuffer.device`；**Drop 时**按这个 device 归还，保证 ptr 回到它所属 context 的 pool + （即使 drop 发生在另一个 device 的线程上也对）。 + +### 3. Drop → 归还（不 cudaFree） + +```rust +impl Drop for GpuBuffer { + fn drop(&mut self) { pool::release(self.ptr, self.device, self.cap); } +} +``` + +free-list **无界**（轻量、不做 eviction）——定形状训练的 working set 有界，每步复用同一批 buffer， +free-list 深度自然收敛，不会无限涨。pool 持有的 ptr 活到**进程退出**，届时 OS 回收整个 device +context，**不是泄漏**。 + +**双重释放/泄漏边界审查**：`GpuBuffer` 无 `Clone`，独占 ptr；`Storage` 用 `Arc` 共享， +最后一个 Arc 落地时 buffer 恰好 drop 一次 → `release` 一次。`acquire` 从 free-list `pop` 一个 ptr +交给**唯一**一个新 `GpuBuffer`，无别名。故无双重释放、无别名。 + +### 4. memset：保留（正确性优先），不做 skip-memset uninit + +`Storage::zeros` 复用的 buffer 持有**陈旧字节**，故**继续 `memset(0)`**（正确性）。 + +任务给的 OPTIONAL bonus（给「完全覆盖输出」的 op 加 `uninit`/skip-memset）**本次不做**，诚实理由： +- 真正串行的是 `cudaMalloc`，**已被 pool 消掉**；`cudaMemset` 在 default stream 上 async、开销小。 +- 要 skip 必须逐 op 证明输出被**完全覆盖**——`matmul`(beta=0 全写)能跳，但 `embedding_bwd`(scatter-**add**)、 + `sumsq_accum`/`sum_rows`(累加器)、`adamw`(读写 m/v) **必须**预 zero。审查面大、收益小、正确性风险高。 +- **正确性是硬闸门**，不为一个已非瓶颈的 async memset 冒风险。留作后续（若 profile 显示 memset 成新瓶颈再做）。 + +## 验证方法（双闸门） + +### 闸门一：正确性（透明，零回归） + +allocator 不改任何数值。全回归套**必须仍绿**： +- T3 GEMM 对 cuBLAS；T4 各 op finite-diff grad-check（15 个）； +- T5 结构 + overfit(27/27) + PyTorch 对拍（B>1，logits/每参数 grad）； +- T6 AdamW 对 torch + checkpoint 逐位； +- T8 DDP loss 对单卡（~5.7e-7）+ 跨 rank 一致；T10 batched==looped； +- **xserv 闭环**：导出权重对 xtrain 贪心仍逐 token 一致。 + +### 闸门二：吞吐（收益） + +- **单卡 tok/s before/after**（malloc 风暴消失应↑）+ GPU util； +- **DDP 1/2/4/8 卡 scaling before/after**（KI-5 调查的表）； + `ddp_throughput_scaling` 测试扩到 world=8。 + +**诚实原则**：若单卡提速但多卡仍受限 → 说明串行比 malloc 更深（如单 context 下 kernel launch / +cuBLAS handle 仍串行），如实报告，并说明 **process-per-GPU**（每 rank 独立 context，torchrun 式） +是否是剩余的修复方向（profile 确认，如前两次调查）。 + +## 顺手项 + +- **放宽 DDP flaky 断言**：`ddp_correctness` 的 cross-rank `max|p0−p1| == 0.0` → `< 1e-6`。 + 承重闸门是 loss-match（~5.7e-7）；本机 PCIe-only NCCL all-reduce run-to-run 跨 rank 非逐位可复现， + diff ≤1.2e-7（几 ULP，数值无害）。`== 0.0` 过严 flaky。 + +## Before → After + +（dash5, 8× RTX 5090, 实测填入；见 known-issues.md KI-5 的 before/after 表与 commit。）