OpenAI 将 k8s 扩展至 7500 个节点以支持机器学习

为了满足 GPT-3、CLIP 和 DALL+ 等大型模型的需要，以及类似于神经语言模型的缩放定律的快速小规模迭代研究，OpenAI 将基础设施 k8s 集群扩展到 7500 各节点。

据其描述，对于大型机器学习作业来说，一个节点通常由单个 pod 占据，并且 OpenAI 部署的集群具有二等分带宽，因此尽管其有许多节点，但是调度程序的压力相对较低，仅在一项新任务一次性创建数百个 pod 时会有调度压力。

除此之外，OpenAI 还详细说明了其在扩展 k8s 集群时的重要工作内容，比如通过改用基于别名的 IP 寻址来解决大量节点的联网问题，在专用节点上部署 etcd 和 API 服务器以分散负载，定位使用 Prometheus 和 Grafana 收集指标时的 OOM 问题，设计对集群的健康检查，以及在团队中合理分配集群资源等。

不过，OpenAI 也指出，在扩展 k8s 集群时，目前仍有一些问题要解决，比如大规模时 Prometheus 的内置 TSDB 存储引擎压缩速度过慢，并且需要很长的时间才能重新启动 WAL（写入预录），以及扩展集群时，由于每个 pod 都会被计算为需要一定带宽而带来的网络带宽压力。然而，尽管还有很多地方需要改进，但 k8s 凭借其出色的扩展能力，仍然能满足其研究需求。

关于该报告的详细内容，请查看原文