基于鲲鹏处理器的高性能计算实践

我国在高性能计算领域取得了显著进步，天河二号和神威太湖之光先后登顶Top500国际超算排行榜，2016、2017年连续获得戈登贝尔HPC应用大奖。在“十四五”规划中，我国在高性能计算领域将继续贯彻“国产替代”战略，新一代E级超级计算机都将采用国产处理器。

然而，目前国内高校还没有采用国产处理器的校级计算平台。这主要有以下三个原因：①基于国产处理器的计算平台在使用习惯上与目前X86 CPU集群差异很大，用户不习惯；②目前主流计算软件都是基于X86处理器开发，在国产处理器上需要重新编译与适配；③许多计算软件的应用尚未针对国产处理器进行性能调优，运行速度无法保证。

为应对上述用户操作难、应用部署难、运行速度慢这三个挑战，我们开展了以下工作：

1）通过挂载统一文件系统和作业调度系统，将不同的计算设备融合在统一的并行文件系统之上，为用户提供一致的体验；

2）利用容器快速部署面向ARM集群的高性能计算应用，以模块和镜像形式向用户提供预编译软件；

3）对于预编译的应用软件，进行了正确性校验及性能调优。

本文将介绍上海交通大学采用华为鲲鹏920处理器建设的校级计算平台，该平台是国内高校建设的首个基于国产ARM处理器的计算集群（以下简称ARM集群）。这台ARM集群与原有的X86 CPU集群、GPU集群共享一套并行文件系统，采用Infiniband网络高速互联，实践了统一数据基座的理念。

我们这个工作有两个创新点：

1）针对使用异构处理器、异构互联网络的多个计算集群，提出了一套新的网络拓扑方案，使得这些计算集群可以共享同一并行文件系统；

2）率先在华为ARM集群上完成多个常用高性能计算应用的正确性校验与性能调优，有力推动了国产高性能计算平台的软件生态建设。

上海交通大学校级高性能计算平台于2013年建设了第一期，当时采用的是Intel Xeon处理器、XeonPhi协处理器和NVIDIA GPU加速器的混合计算架构，计算能力位列2013年11月Top500榜单第138位。2019年学校启动二期建设，分别建设了基于Intel Xeon处理器面向高性能计算的同构集群和基于NVIDIA GPU加速器面向人工智能计算的异构集群。2020年我校建设第3套计算集群，采用了华为鲲鹏920处理器。

1. 背景介绍

1.1 计算节点

ARM集群共配置100个计算节点，每个节点搭载双路128核鲲鹏920处理器，配有192 GB DDR4 2933内存。华为鲲鹏920采用7纳米芯片制程工艺，基于ARMv8微架构，具体参数规格参见表1。

相比主流的Intel Xeon 6248处理器，华为鲲鹏920的核数和内存通道更多，因此提供了更高的并发度和内存访问带宽。但在向量化位宽上，鲲鹏920为Intel主流处理器的1/4。基于以上特征，鲲鹏920更加适合访存密集型应用的计算

1.2 高速互联网络

上海交大校级计算平台中的Intel CPU集群采用的是Intel 100 Gbps Omini-Path高速互联网络，GPU集群和ARM集群则采用Mellanox 100 Gbps Infiniband EDR高速互联网络。作为目前两大主流高速互联网络，其通信协议提供了一种基于交换的架构，由处理器节点之间、处理器节点和存储节点之间的点对点双向串行链路构成。

1.3 文件系统

校级计算平台采用Lustre并行文件系统，它是一种基于对象的并行文件系统，具有高可用、高性能、高可扩展性等特点，可以为大规模计算集群提供兼容POSIX的统一文件系统接口。其在Linux操作系统上运行，并采用客户端-服务端模式的网络架构。Lustre的服务端由一组服务器组成，用于提供元数据服务和对象存储服务；客户端则是Lustre文件系统的访问接口，可以挂载Lustre文件系统。Lustre各节点服务器之间使用Lnet高速网络协议互联。

1.4 作业调度系统

校级计算平台部署了CentOS7.6操作系统，在这套Linux系统上，我们挂载了SLURM作业调度系统。SLURM是一个开源、容错、高度可扩展的集群管理和作业调度系统，作为集群工作负载管理器，它有三个关键功能：①它在一段时间内为用户分配对资源（计算节点）的独占和/或非独占访问，以便他们可以执行工作；②它提供了一个框架，用于在分配的节点集上启动，执行和监视工作（通常是并行作业）；③它通过管理待处理工作的队列来仲裁资源争用。

2. 系统设计 2.1 网络拓扑设计

ARM集群网络接入的整体思路类似于CPU+GPU异构集群，所有ARM节点接入Infiniband交换机实现节点间的互联，后通过路由节点（LNet Router）桥接至OmniPath网络，做到Infiniband和OmniPath两种异构网络之间的互通。

ARM集群的IB网络包含5台40口小型交换机和3台路由节点。其中3台交换机作为接入层交换机，分出一半端口直接与节点相连；剩余2台作为核心层交换机，与接入层交换机进行网状连接。3台接入层交换机又分别通过对应的路由节点接入存储集群。节点与交换机之间、交换机与交换机之间每条物理线路支持200Gbps带宽，整个接入层与计算节点之间合计有10000Gbps通信带宽；而接入层与核心层之间合计有11000Gbps带宽。由于IB交换机自带路由选择功能，可以确保接入层与交换层的数据流量均匀分摊到每一条等价链路上，因此在这个胖树拓扑结构下，任意两个节点之间都可以始终确保享有100Gbps的可用通信带宽。

2.2 共享文件系统挂载

ARM集群挂载Lustre文件系统分为两个步骤：

步骤一：编译安装Lustre客户端。安装的Lustre客户端版本需与服务端适配，因此需要选择合适的操作系统版本，同时编译Lustre客户端过程中指定内核与IB驱动。实践中，我们采用了ARM架构定制化的CentOS 7.6系统，编译安装了2.12.4版本Lustre客户端。

步骤二：配置lnet路由。对于3组ARM集群节点来说，须赋予不同的LNET标签（类似不同子网），且与存储集群、X86超算集群等其它集群不同。之后，分别在存储服务端、ARM节点和路由节点配置对应的Lnet路由，连通OPA和IB网络。

经过以上两个步骤，即可在ARM集群成功挂载Lustre文件系统，从而形成统一的数据基座。

3. 性能调优与验证

为解决ARM集群运行速度慢的问题，我们选择了LAMMPS和GATK作为本次应用调优与验证的算例。这两款应用2020年在我校X86 CPU集群上占到全年使用机时的35%。

采用LAMMPS的两个最基本算例EAM和LJ，测试ARM、X86以及X86上加入User-Intel加速包这三种模式，对比1, 2, 4, 8 和16个节点的运行速度（Timesteps/s）。两个算例EAM和LJ均为864,000原子体系，在NVE系统下运行5,000步。ARM单节点计算速度是Intel主流处理器（不含User-Intel加速包）的2倍，扩展到16个节点仍保持1.5倍的优势。当X86编译使用User-Intel加速包后，ARM集群上LAMMPS的计算性能为Intel主流平台的60%左右。

基于上述由Broad Institute提供的分析流程及相应的测试数据，测试X86和ARM上GATK 4.2的性能。由于在ARM集群上GATK 的HaplotypeCaller模块缺少Intel为X86开发的GKL加速包（Intel GKL Utils），因此速度下降明显。而MarkDuplicates及BQSR相关工具未经过底层优化，其在ARM集群上的性能约为x86集群的70%与50%。

为应对ARM集群建设中遇到的用户操作难、应用部署难以及运行速度慢这三个挑战，我们提出了一套新的网络拓扑方案，使得ARM集群可以和现有X86集群可以共享同一并行文件系统，用户可以实现无差别的数据访问。另外，还利用Singularity为ARM集群快速部署了30多款常用的高性能计算应用软件，并对其中使用率最高的LAMMPS和GATK应用进行了性能调优和评估，性能可以达到主流X86集群的60%-70%。ARM集群在2021年暑期面向校内进行试运行，期间整机月平均利用率超过70%。

审核编辑 ：李倩