NCCL 通信原语 (Primitives)

NCCL（NVIDIA Collective Communication Library）提供 GPU 间的集合通信 API，所有操作均与 CUDA Stream 绑定，支持 PCIe、NVLink、InfiniBand 等多种互联。

1 Broadcast

从 root rank 广播数据到所有设备。

ncclResult_t ncclBroadcast(const void* sendbuff, void* recvbuff,
                            size_t count, ncclDataType_t datatype,
                            int root, ncclComm_t comm, cudaStream_t stream)

用途：PP 流水线中广播初始模型权重；DP 初始化时同步参数起点。

2 Reduce

执行规约计算（如 max, min, sum），并将结果写入指定的 rank。

ncclResult_t ncclReduce(const void* sendbuff, void* recvbuff,
                        size_t count, ncclDataType_t datatype, ncclRedOp_t op,
                        int root, ncclComm_t comm, cudaStream_t stream)

用途：监控指标（loss、norm）汇总到主进程。

3 ReduceScatter

先对所有 rank 的数据做规约，再将结果按 rank 数量切分后分发，每个 rank 只持有结果的 $1/p$ 份。

ncclResult_t ncclReduceScatter(const void* sendbuff,
                                void* recvbuff, size_t recvcount, ncclDataType_t datatype,
                                ncclRedOp_t op, ncclComm_t comm, cudaStream_t stream)

用途：ZeRO 反向传播时聚合梯度（每卡只保留自己负责的梯度分片）；TP + SP 中替代 AllReduce 的后半段。

4 AllGather

每个 rank 贡献自己的 $S/p$ 数据，收集后所有 rank 都持有完整的 $S$ 数据。

ncclResult_t ncclAllGather(const void* sendbuff,
                            void* recvbuff, size_t sendcount, ncclDataType_t datatype,
                            ncclComm_t comm, cudaStream_t stream)

用途：ZeRO 前向传播前重建完整参数；TP + SP 中恢复完整激活。

5 AllReduce

等价于 ReduceScatter + AllGather，规约结果广播到所有 rank。

ncclResult_t ncclAllReduce(const void* sendbuff,
                            void* recvbuff, size_t count, ncclDataType_t datatype,
                            ncclRedOp_t op, ncclComm_t comm, cudaStream_t stream)

用途：DDP 反向传播后同步所有卡的梯度；TP 中同步每层的激活值。

6 AllToAll

每个 rank 向所有其他 rank 发送不同的数据块，同时接收来自所有 rank 的不同数据块。AllToAll 相当于一次”转置”：发送方维度和接收方维度互换。

发送前（4 卡，每卡持有 [s0,s1,s2,s3]）:
  GPU0: [a→0, a→1, a→2, a→3]
  GPU1: [b→0, b→1, b→2, b→3]
  GPU2: [c→0, c→1, c→2, c→3]
  GPU3: [d→0, d→1, d→2, d→3]

发送后（每卡收到来自各卡、属于自己的分片）:
  GPU0: [a→0, b→0, c→0, d→0]
  GPU1: [a→1, b→1, c→1, d→1]
  GPU2: [a→2, b→2, c→2, d→2]
  GPU3: [a→3, b→3, c→3, d→3]

ncclResult_t ncclAllToAll(const void* sendbuff, void* recvbuff,
                           size_t count, ncclDataType_t datatype,
                           ncclComm_t comm, cudaStream_t stream)

用途：MoE Expert Parallelism 中，每个 token 根据门控路由到对应的专家所在卡（dispatch），以及专家计算后将结果送回原卡（combine）。

7 原语等价关系

几个重要的等价关系：

实际实现中选 ReduceScatter + AllGather 而不是 Reduce + Broadcast，原因见第 8 节。

8 Ring 拓扑实现

8.1 为什么用 Ring

朴素方案（Reduce to root → Broadcast from root）中，root 卡的出入带宽是瓶颈，其他卡闲置。

Ring 方案让所有卡形成一个环，每步每张卡同时发送和接收，所有链路均满负荷，带宽利用率最优。

8.2 Ring ReduceScatter

设 $p=4$ 张卡，每卡持有向量 $[v_0, v_1, v_2, v_3]$（下标表示 chunk 编号），目标是让 GPU$k$ 持有所有卡 chunk $k$ 的总和。

共 $p-1=3$ 步，每步每卡向右邻发送当前负责的 chunk 并累加收到的值：

初始：
  GPU0: [a0, a1, a2, a3]
  GPU1: [b0, b1, b2, b3]
  GPU2: [c0, c1, c2, c3]
  GPU3: [d0, d1, d2, d3]

Step 1（GPU0 发 chunk0，GPU1 发 chunk1，以此类推）：
  GPU0 ← d3;   GPU0 持有 [a0, a1, a2, a3+d3]
  GPU1 ← a0;   GPU1 持有 [a0+b0, b1, b2, b3]
  GPU2 ← b1;   GPU2 持有 [c0, b1+c1, c2, c3]
  GPU3 ← c2;   GPU3 持有 [d0, d1, c2+d2, d3]

Step 2：
  GPU0 ← c2+d2; GPU0 持有 [a0, a1, a2+c2+d2, a3+d3]
  GPU1 ← a3+d3; GPU1 持有 [a0+b0, b1, b2, a3+b3+d3]
  GPU2 ← a0+b0; GPU2 持有 [a0+b0+c0, b1+c1, c2, c3]
  GPU3 ← b1+c1; GPU3 持有 [d0, b1+c1+d1, c2+d2, d3]

Step 3：
  GPU0 ← b1+c1+d1; GPU0 持有 chunk1 = a1+b1+c1+d1 ✓
  GPU1 ← a2+c2+d2; GPU1 持有 chunk2 = a2+b2+c2+d2 ✓
  GPU2 ← a3+b3+d3; GPU2 持有 chunk3 = a3+b3+c3+d3 ✓
  GPU3 ← a0+b0+c0; GPU3 持有 chunk0 = a0+b0+c0+d0 ✓

每卡每步只传输 $S/p$ 的数据，共 $p-1$ 步，每卡总发送量 $(p-1) \cdot S/p$。

8.3 Ring AllGather

ReduceScatter 结束后，GPU$k$ 持有完整规约的 chunk$k$。AllGather 再跑 $p-1$ 步，将每个 chunk 依次沿环传播，最终所有卡都持有完整结果。

总通信量与 ReduceScatter 相同：每卡发送 $(p-1) \cdot S/p$。

9 通信量分析

设数据总大小为 $S$，GPU 数为 $p$，Ring 拓扑下各原语每卡的通信量：

Ring AllReduce 的每卡通信量趋近 $2S$，且与 $p$ 无关（相比 Naive 方案的 root 瓶颈有本质改善）。

10 大模型训练中的用途