[RFC]: 绑核/绑内存入口支持统一文件配置

### 背景与目标描述 为了解决大模型训练中出现的host bound能力，尤其针对稀疏模型带来的host侧的性能瓶颈，Mindspore提供了进程粒度绑核与线程粒度绑核的能力，分别使用`msrun --bind_core --bind_numa`以及接口`mindspore.runtime.set_cpu_affinity`接口实现。在实际生产环境中，同时使能进程级与线程级绑核且手动指定绑核策略可以带来20%以上的端到端性能提升，但是两种绑核能力在配置模式上存在差异，对使用者有一定的门槛，希望可以统一一个配置入口，保持配置逻辑的统一，提供易用性。 ### 目前支持的绑核/绑内存能力 #### 设备亲和概念 以下为`npu-smi info -t topo`命令回显，提供了NPU与CPU的亲和关系：  以下为`lscpu`的部分回显，提供了NUMA架构中CPU的分布情况：  可知亲和关系：`NPU0 - CPU144-167 - NUMA node6`，`NPU1 - CPU0-23 - NUMA node0` #### 进程粒度绑核/绑内存 使用`msrun --bind_core {CPU_ID} --bind_numa {NUMA_NODE}`的方式对进程做CPU核心与内存的绑定。核心能力由`taskset`与`numactl`命令提供。以两卡分布式任务为例： 1. **自动策略：** 基于当前环境信息（CPU 资源、NUMA 节点、设备亲和性）自动分配 CPU 核、NUMA节点，无需手动指定具体核、NUMA编号。 - **配置：** `msrun --bind_core=True` **启动命令：** process0 -- `taskset -c 144-167 python XXX.py` process1 -- `taskset -c 0-23 python XXX.py` - **配置：** `msrun --bind_numa=True` **启动命令：** process0 -- `numactl --membind 6 --cpunodebind 6 python XXX.py` process1 -- `numactl --membind 0 --cpunodebind 0 python XXX.py` - **配置：** `msrun --bind_core=True --bind_numa=True` **启动命令：** process0 -- `numactl --membind 6 --physcpubind 144-167 python XXX.py` process1 -- `numactl --membind 0 --physcpubind 0-23 python XXX.py` 2. **自定义策略：** 依据用户传参，定制绑定策略： - **配置：** `msrun --bind_core='{"scheduler":["0-9"], "device0":["10-19"], "device1":["20-29", "40-49"]}'` **启动命令：** scheduler -- `taskset -c 0-9 python XXX.py` process0 -- `taskset -c 10-19 python XXX.py` process1 -- `taskset -c 20-29,40-49 python XXX.py` - **配置：** `msrun --bind_numa='{"scheduler":["0,1"], "device0":["2-3"], "device1":["4"]}'` **启动命令：** scheduler -- `numactl --membind 0,1 --cpunodebind 0,1 python XXX.py` process0 -- `numactl --membind 2-3 --cpunodebind 2-3 python XXX.py` process1 -- `numactl --membind 4 --cpunodebind 4 python XXX.py` - **配置：** `msrun -…