随着大数据、人工智能技术的发展，越来越多的用户产生了获取拥有GPU算力的弹性计算服务的需求，GPU云主机具有突出的图形处理和高性能计算能力，适用于科学计算、视频处理、深度学习等应用场景，受到了市场的青睐。

本期智汇华云，特别邀请到华云数据OpenStack开发工程师傅成超为大家带来“OpenStack 虚拟机 GPU 性能优化”。

首先为大家简单介绍一下 NUMA 的概念。NUMA 是一种解决多 CPU 工作的技术方案，在此之前，市面上主要采用 SMP 和 MPP 两种架构。

计算机技术发展初期，服务器都是单 CPU 结构，随着技术的不断发展，多 CPU 结构开始流行起来，为了满足多 CPU 共同工作的需求，SMP 技术应运而生。

如图所示，多个 CPU 通过一个总线访问存储器，因此无论在什么时候，处理器只能为内存的每个数据保持或共享唯一一个数值。

SMP 的缺点是十分明显的，即扩展性有限，因此在存储接口达到饱和的时候，增加处理器的数量并不能获得更高的性能，因此 SMP 架构支持的 CPU 数量十分有限。

MPP 则是一种分布式存储器模式，它能将更多的处理器纳入一个系统的存储器。一个分布式存储器具有多个节点，每个节点都有自己的存储器，单个节点相互连接形成了一个总系统。MPP 可以近似理解为一个 SMP 的横向扩展集群。

 NUMA 是目前最常用的技术，在 NUMA体系中每个处理器都有自己的存储器，同时，每个处理器也可以访问其他处理器的存储器。

下图为多核 NUMA CPU 架构

如上文所说，每个处理器既可以访问自己的存储器，也可以访问其他处理器的存储器，事实上，前者的速度要比后者最高快到100倍之多。在 Linux 中，系统默认采用自动 NUMA 平衡策略，所以 NUMA 调优的目的就是让处理器尽可能地访问自己的存储器，以提高计算速度。

在 OpenStack 中，可以采用 virsh numatune 命令查看和修改虚拟机的 NUMA 配置，反映在 XML 文件上的便是 <vcpu> 和 < numatune > 中的 id 保持一致。

那么在 GPU 云主机中，是否可以采用相同的思路进行性能调优呢？答案自然是肯定的。

在进行 GPU 性能优化前，我们还需要进一步了解一下 render-nodes 的概念。

render-nodes 是一种用于访问具有 DRI 能力的 GPU 非特权功能的 DRM 接口，在 Linux 内核中，DRM 驱动程序通过 render-node 接口公开其用户空间 API 的非特权部分，并作为一个单独的设备文件 (/dev/dri/renderDXX) 存在。信息技术变革日新月异，如今，客户端已不再需要运行合成器或图形服务器来使用 GPU ，通过 render-node 即可实现对 GPU 资源的访问。

将 render-node 和所在的 NUMA 绑定，可以有效防止跨片 PCIE 访问带来的性能损耗。

通过 lspci –vvvs bus_id 命令便可查看 GPU 所在的 NUMA 节点，即 /dev/dri/renderDXX 与 NUMA 的对应关系。以我本机为例，renderD128 对应 NUMA 0，renderD129 对应 NUMA 1，此时我们便可以使用 numactl 进行绑定。

然而在一个 OpenStack 云环境中可能会运行着成百上千的云主机，云主机创建完成后逐一进行手动绑定明显不是一个现实的方案，此时可以通过修改 /nova/virt/libvirt/driver.py中的相关逻辑。当程序获取到 vcpu 被分配的 NUMA 节点后，通过设备之间的映射关系，在添加 GPU 设备阶段为其绑定对应的 render-node。这样虚拟机在创建之初便拥有了卓越的性能，无需后期进行人工绑定。

本文从 NUMA 出发，为大家简单介绍了多 CPU 的常用技术架构，并以此为延伸，分享了 GPU 虚拟机的性能调优方案。目前，华云数据公有云产品线中已经包含具有超强计算能力的 GPU 型云主机，在新基建的风口，推动中国企业全面上云，助力客户实现数字化转型。