案例简介及其应用背景
- VIVO AI中台的最终目的是为2.6亿+ VIVO用户提供极致的智能服务，而NVIDIA则为VIVO推荐系统提供强大的算力支持以实践优化。
- 推荐系统的大规模部署带来了诸多工程化挑战，借助NVIDIA TensorRT, Triton and MPS (Multi-Process Service) 及单张T4 GPU推理卡，其性能优于约6台以上的78核CPU服务器，成本方面也降低75%。
- 团队共实践和比较了三种不同的工程方案，其中，性价比最高的“通用GPU方案”充分发挥了MPS和TensorFlow的性能，开创性地解决了推荐场景的难题，包含：如何满足频繁的算法迭代需求，如何开发不支持的运算操作插件，以及如何改善低效的推理服务性能等。
- VIVO AI平台致力于建设完整的人工智能中台，搭建全面的、行业领先的大规模分布式机器学习平台，应用于内容推荐、商业变现、搜索等多种业务场景，为2.6亿+ VIVO用户提供极致的智能服务。
- VIVO AI中台始终服务于企业往智能化深度发展的需求，在数据中台基础上增加了一体化智能服务的概念。并且立足于数据的获取、存储、特征处理、分析、模型构建、训练、评估等智能服务相关的任务环节，使其高度组件化、配置化、自动化。
Figure 1. AI中台系统架构图 （图片来源于VIVO研究院授权）
- 在整个AI中台架构中，推荐中台则作为最重要的核心，也是最具商业价值的部分，不仅需承载VIVO亿级用户，日活千万的数据量也包含在内。本文从推荐系统工程化的角度，解读了以下三方面内容：VIVO 的智能推荐系统是如何运行的？在实际应用场景中遇到过什么挑战？NVIDIA GPU如何加速推荐系统的部署？
Figure 2. 推荐中台系统架构图 （图片来源于VIVO研究院授权）
- 经过验证，本方案可以有效解决推荐业务中GPU通用性问题；同时能更高效的利用GPU。目前已经在部分推荐业务中落地。经过压测，性能方面，单张T4 GPU推理卡，性能优于约6台以上的78核CPU服务器。成本方面，VIVO自研通用GPU方案，在TensorRT方案基础上，取得了更高的QPS和更低的延迟，可节省成本约75%！
- 本案例主要应用到 NVIDIA T4 GPU 和相关工具包括NVIDA TensorRT, Triton, MPS等。
客户简介
VIVO是一家以设计驱动创造伟大产品，打造以智能终端和智慧服务为核心的科技公司，也是一家全球性的移动互联网智能终端公司。致力于为消费者打造拥有极致拍照、畅快游戏、Hi-Fi音乐的智能手机产品。根据《2020胡润中国10强消费电子企业》报告显示，VIVO以1750亿人民币排名第3位。
客户挑战
在工程实践中，VIVO推荐系统面临的第一个问题是如何平滑的把多种推荐业务逻辑从CPU平台向GPU平台迁移。鉴于当前已经存在多个推荐业务场景，包括应用商店，手机浏览器，负一屏信息流等。每个场景都有自己的算法模型和业务流程，如何把多种分散的智能服务整合到一个统一的推荐中台，同时要兼顾当前的业务的无损迁移是一个巨大的挑战。
一直以来，CPU是客户主要的支撑推荐业务场景的主流硬件平台。但VIVO工程团队却发现在推理服务中，CPU的表现始终无法达到要求标准，不仅算力较弱，应对复杂模型时，响应延迟和QPS也无法满足实时性和高并发的需求。
此时，客户尝试改用NVIDIA GPU来实现推荐业务的推理服务，有效解决CPU算力和性能的瓶颈的同时，也期待更大的成本优势。经过大量的工程实践，结果表明，单台基于NVIDIA T4 GPU的推理服务器，性能可以等同于24台CPU机器。毋庸置疑, GPU的整体表现皆具有性能和成本的优势。据此，客户也认为使用GPU作为推荐业务场景的推理平台，已成为了公司乃至行业的共识。
应用方案
由于GPU芯片架构的独特性，不经优化的原始TensorFlow模型，很难高效利用GPU的算力。为了解决这个问题，VIVO工程团队投入了大量的人力和时间进行推荐模型优化及转换。而首先着手设计的是TensorRT方案，即是使用NVIDIA推理加速工具TensorRT，结合 Triton的serving方式，以最大化GPU整体收益。
具体来说，把训练导出的TensorFlow模型经过Onnx转换成TensorRT模型，进而使用NVIDIA提供的推理服务框架Triton加载TensorRT模型。业务代码使用VIVO封装Triton的JNI接口，将业务请求输入TensorRT模型去做推理计算。
Figure 3. 推荐业务流程图 （图片来源于VIVO研究院授权）
实测结果表明，该方案取得了预期的线上收益。性能方面，单张T4 GPU推理卡，性能优于约6台以上的78核CPU服务器。以如下场景为例，在相同的精排服务请求：QPS为600，BatchSize为3000时，不同方案的成本，TensorRT方案可节省成本约14%：
| 方案 | CPU机器数量 | GPU机器数量 | 总成本 | 相比CPU方案成本 |
| TensorRT方案 | 0 | 15 | 195w | ↓14% |
| CPU推理方案 | 88 | 0 | 228.8w | – |
为了进一步提升线上收益，最大化GPU利用率，NVIDIA机器学习团队配合 VIVO继续优化现有效果，探索更多的技术方案可行性。
经过深入探讨，我们发现目前的方案（Triton＋TensorRT）确实可以有效利用GPU，但是也存在一些问题。比如很多推荐业务场景，算法模型迭代更新频率高，工程化开发周期无法满足频繁更新的需求。此外，部分推荐模型存在算子不支持的情况，需要手动开发TensorRT plugin，短时间内也无法上线。总体来说，这样的开发流程通用性不够好，也较难有效的支持算法持续迭代。
因此，我们迫切需要实现一套机制，既要保证GPU的推理性能，更要具备良好的通用性。经过多次工程化尝试，我们针对性提出适合自身的推荐系统推理加速方案，即VIVO自研通用GPU方案。
本方案通过多进程 + MPS + TensorFlow runtime的方式，有效的提高了GPU的使用率，且部分场景无需转换TensorRT模型。该方案的主要设计目标是：
- 多进程模型，管理和守护模型服务进程，有序的更新模型
- 添加原生TensorFlow中不支持GPU的算子
- 加载模型时，动态替换原来的不支持GPU的算子
Figure 4. 自研通用GPU方案示意图 （图片来源于VIVO研究院授权）
此外，考虑到具体工程实践中，VIVO算法部门和工程部门需要同步开发，如何解耦算法工程团队和推理加速团队的开发任务，因此推出了可配置的推理引擎服务，加速迭代开发效率。
Figure 5. 自研可配置推理引擎示意图 （图片来源于VIVO研究院授权）
方案效果及影响
经过验证，本方案可以有效解决推荐业务中GPU通用性问题；同时能更高效的利用GPU。目前已经在部分推荐业务中落地。经过压测，VIVO自研通用GPU方案，在TensorRT方案基础上，取得了更高的QPS和更低的延迟，可节省成本约75%！
下表详细对比了在相同精排请求：QPS为600，BatchSize为3000时，不同方案的成本。
| 方案 | CPU机器数量 | GPU机器数量 | 总成本 | 相比CPU方案成本 |
| 自研通用GPU方案 | 16 | 1 | 54.6w | ↓75% |
| TensorRT方案 | 0 | 15 | 195w | ↓14% |
| CPU推理方案 | 88 | 0 | 228.8w | – |
同时，我们测试了负一屏信息流推荐场景，结果同样表明，无论是QPS或是推理延迟（测试选用业界标准P99/P95指标），自研通用GPU方案都优于TensorRT方案和CPU方案。
| 方案 | Batch Size | 并发线程数 | GPU 卡数 | QPS | 平均 延迟 | P95 延迟 | P99 延迟 | 错误率 |
| 自研通用GPU方案 | 2000 | 15 | 1 | 218 | 68 | 73 | 75 | 0% |
| TensorRT方案 | 2000 | 15 | 1 | 176 | 86 | 97 | 105 | 0% |
| CPU方案 | 2000 | 7 | 0 | 35 | 194 | 204 | 219 | 0% |
展望未来，VIVO推荐系统工程团队会继续探索新技术，持续积累 GPU工程经验，并且沉淀到平台中，最终赋能到各个业务线。