在大語言模型(LLM)應用情境中,存在資源需求不確定性、後端推理執行個體負載不均衡等問題。為了最佳化這類問題,EAS引入了LLM智能路由基礎組件。在請求調度層,基於LLM情境所特有的Metrics(指標),來動態進行請求分發,保證後端推理執行個體處理的算力和顯存儘可能均勻,提升叢集資源使用水位。
背景資訊
在大語言模型應用情境中,使用者請求與模型響應的長度差異,以及模型在Prompt提示和Generate產生階段產生的Token數量的隨機性,導致單個請求所佔用的GPU資源量不確定。傳統網關的負載平衡策略,如輪詢(Round-Robin)和最少串連(Least-Connection),因無法即時感知後端算力資源的負載壓力,從而導致後端推理執行個體的負載不均衡,影響系統輸送量和響應延時。尤其是耗時較長、GPU計算量較大或佔用GPU顯存較高的長尾請求,會進一步加劇資源分派不均衡的問題,降低了叢集的整體效能。
為有效最佳化上述問題,EAS在請求調度層面提供了LLM智能路由這一基礎組件。該組件針對LLM情境所特有的Metrics來動態進行請求分發,確保各個推理執行個體的計算力與顯存資源得到均衡分配,從而顯著提升叢集資源的利用效率與穩定性。
LLM智能路由在推理服務的速度和吞吐上有顯著的效果提升,請查閱附錄1:測試結果對比。
工作原理
LLM智能路由本質上是一種特殊的EAS服務,能夠將請求智能調度給後端推理服務。智能路由與推理執行個體是通過“服務群組”關聯的。具體原理如下:
LLM智能路由服務內部會預設內建一個LLM-Scheduler對象,用於實際彙集推理執行個體的Metrics(指標),並基於Metrics資料通過一定的演算法來選擇全域最優的執行個體用於LLM-智能路由轉寄請求。更多關於Metrics介面說明,請參見附錄2:Metrics介面說明。
LLM-Scheduler同時也會與推理執行個體之間建立保活連結,推理執行個體異常時會第一時間被感知到並停止轉寄流量。
LLM-Gateway根據LLM-Scheduler的指示進行請求轉寄,支援HTTP(SSE)和WebSocket協議。
使用限制
LLM智能路由應用於LLM推理情境,後端執行個體的推理架構僅支援BladeLLM或vLLM。
只有關聯多個推理執行個體,即與多個推理執行個體在同一服務群組中,LLM智能路由的功能價值才能得以發揮。
部署服務
部署LLM智能路由服務
支援以下兩種部署方式:
方式一:通過控制台部署
登入PAI控制台,選擇目標地區,並在右側選擇目標工作空間,然後單擊進入EAS。
在模型線上服務(EAS)頁面,單擊部署服務。
在部署服務頁面,選擇以下任意一種部署方式:
選擇自訂模型部署>自訂部署。
選擇情境化模型部署>LLM大語言模型部署,並在基本資料地區,選擇支援推理加速的模型類別:Qwen2-7b、Qwen1.5-1.8b、Qwen1.5-7b、Qwen1.5-14b、llama3-8b、llama2-7b、llama2-13b、chatglm3-6b、baichuan2-7b、baichuan2-13b、falcon-7b、yi-6b、mistral-7b-instruct-v0.2、gemma-2b-it、gemma-7b-it、deepseek-coder-7b-instruct-v1.5。
在服務功能配置地區,單擊LLM智能路由,並開啟LLM智能路由開關,然後在下拉式清單中,單擊建立LLM智能路由。
在建立LLM智能路由配置面板中,配置以下關鍵參數,然後單擊部署。
參數
描述
基本資料
服務名稱
按照控制台操作指引,自訂配置LLM智能路由服務名稱。例如llm_router。
資源配置
部署資源
LLM-智能路由的資源配置。預設配置如下:
最小執行個體數:預設為2,建議您將最小執行個體數設定為2,以確保智能路由能夠多執行個體運行。
CPU:預設為2核。
記憶體:預設為4 GB。
調度資源
LLM-Scheduler調度資源。預設為:
CPU:2核。
記憶體:4 GB。
推理加速
請選擇您在鏡像中使用的推理架構,目前,LLM網關支援以下兩種架構類型:
PAI-BladeLLM自動推理加速
開源架構vllm推理加速
LLM智能路由服務部署成功後,會同步建立一個群組服務。您可以前往模型線上服務(EAS)頁面的服務群組頁簽進行查看。服務群組名稱命名格式為group_LLM智能路由服務名稱。
由於智能路由與服務隊列衝突,建議您不要在該服務群組中建立佇列服務。
方式二:通過JSON獨立部署
登入PAI控制台,選擇目標地區,並在右側選擇目標工作空間,然後單擊進入EAS。
在模型線上服務(EAS)頁面,單擊部署服務。
在自訂模型部署地區,單擊JSON獨立部署。
在JSON文本編輯框中配置以下內容,然後單擊部署。
設定檔內容樣本如下:
說明為了防止單點故障,建議您將metadata.instance至少設定為2,以確保智能路由能夠多執行個體運行。
如果先部署LLM智能路由服務,該服務將保持等待狀態直至大語言模型(LLM)服務部署成功。
基礎配置:
{ "cloud": { "computing": { "instance_type": "ecs.c7.large" } }, "metadata": { "type": "LLMGatewayService", "cpu": 4, "group": "llm_group", "instance": 2, "memory": 4000, "name": "llm_router" } }
您只需將metadata.type配置為LLMGatewayService,即可部署LLM智能路由服務。其他參數配置說明,請參見服務模型所有相關參數說明。服務部署成功後,EAS會自動建立一個組合服務,包含LLM-智能路由和LLM-Scheduler,其中LLM-智能路由的資源配置使用的就是該服務的配置;LLM-Scheduler預設的資源配置為4核CPU和4 GiB記憶體。
高階配置:如果基礎配置無法滿足您的需求,您還可以參考以下高階配置,準備JSON檔案:
{ "cloud": { "computing": { "instance_type": "ecs.c7.large" } }, "llm_gateway": { "infer_backend": "vllm", "max_queue_size": 128, "retry_count": 2, "wait_schedule_timeout": 5000, "wait_schedule_try_period": 500 }, "llm_scheduler": { "cpu": 4, "memory": 4000 }, "metadata": { "cpu": 2, "group": "llm_group", "instance": 2, "memory": 4000, "name": "llm_router", "type": "LLMGatewayService" } }
其中關鍵配置說明如下,其他參數配置說明,請參見服務模型所有相關參數說明。
配置
說明
llm_gateway.infer_backend
大語言模型使用的推理架構,支援:
vllm(預設值)
bladellm
llm_gateway.max_queue_size
LLM智能路由緩衝隊列的最大長度,預設是128。
當超過後端推理架構處理能力時,待有可用推理執行個體時進行調度轉寄。
llm_gateway.retry_count
重試次數,預設是2。當後端推理執行個體異常時,進行請求重試並轉寄到新的執行個體。
llm_gateway.wait_schedule_timeout
逾時時間,預設為5000毫秒。當LLM-Scheduler不可用時間達到逾時時間後,LLM-智能路由使用簡單的Round-Robin策略進行請求分發。
llm_gateway.wait_schedule_try_period
當LLM-Scheduler不可用時,系統在wait_schedule_timeout逾時時間內的重試頻率,預設為500毫秒。
llm_scheduler.cpu
指定LLM-Scheduler的CPU,預設為4核。
llm_scheduler.memory
指定LLM-Scheduler的Memory,預設為4 GiB。
llm_scheduler.instance_type
指定LLM-Scheduler的執行個體規格。該規格已經定義了CPU核心數和記憶體大小,無需單獨配置CPU和Memory。
部署大語言模型(LLM)服務
支援以下兩種部署方式:
方式一:通過控制台部署
登入PAI控制台,選擇目標地區,並在右側選擇目標工作空間,然後單擊進入EAS。
在模型線上服務(EAS)頁面,單擊部署服務。
在部署服務頁面,選擇以下任意一種部署方式,並配置關鍵參數,其他參數配置說明,請參見服務部署:控制台。
選擇自訂部署,並配置以下關鍵參數。
參數
描述
模型服務資訊
部署方式
選擇鏡像部署AI-Web應用。
鏡像選擇
支援使用PAI平台鏡像或自訂鏡像:
選擇PAI平台鏡像,鏡像選擇chat-llm-webui,鏡像版本選擇3.0-vllm或3.0-blade。
選擇鏡像地址,並在文字框中輸入自訂鏡像地址。您的自訂鏡像後端推理架構需要是BladeLLM或vllm。
服務功能配置
LLM智能路由
開啟LLM智能路由開關,並選擇已建立的LLM智能路由。
選擇LLM大語言模型部署,並配置以下關鍵參數。
參數
描述
基本資料
模型類別
從如下模型中任意選擇一個支援推理加速的模型類別:Qwen2-7b、Qwen1.5-1.8b、Qwen1.5-7b、Qwen1.5-14b、llama3-8b、llama2-7b、llama2-13b、chatglm3-6b、baichuan2-7b、baichuan2-13b、falcon-7b、yi-6b、mistral-7b-instruct-v0.2、gemma-2b-it、gemma-7b-it、deepseek-coder-7b-instruct-v1.5。
服務功能配置
LLM智能路由
開啟LLM智能路由開關,並選擇已建立的LLM智能路由。
參數配置完成後,單擊部署。
方式二:通過JSON獨立部署
本方案以PAI提供的預置鏡像-開源vLLM-0.3.3版本為例,具體操作步驟如下:
在模型線上服務(EAS)頁面,單擊部署服務。
在自訂模型部署地區,單擊JSON獨立部署。
在JSON文本編輯框中配置以下內容,然後單擊部署。
設定檔內容樣本如下:
{ "cloud": { "computing": { "instance_type": "ecs.gn7i-c16g1.4xlarge" } }, "containers": [ { "image": "eas-registry-vpc.<regionid>.cr.aliyuncs.com/pai-eas/chat-llm:vllm-0.3.3", "port": 8000, "script": "python3 -m vllm.entrypoints.openai.api_server --served-model-name llama2 --model /huggingface/models--meta-llama--Llama-2-7b-chat-hf/snapshots/c1d3cabadba7ec7f1a9ef2ba5467ad31b3b84ff0/" } ], "features": { "eas.aliyun.com/extra-ephemeral-storage": "50Gi" }, "metadata": { "cpu": 16, "gpu": 1, "instance": 5, "memory": 60000, "group": "llm_group", "name": "vllm_service" } }
其中關鍵配置說明如下,其他參數配置說明,請參見服務模型所有相關參數說明。
metadata.group:服務群組名稱。LLM服務必須與LLM智能路由在同一個群組下,這樣LLM服務才能向LLM-Scheduler進行註冊,並上報相關的Metric(指標),同時LLM智能路由才能進行流量轉寄。
當使用控制台方式建立LLM智能路由時,您需要在模型線上服務(EAS)頁面的服務群組頁簽,查看LLM智能路由所在的服務群組名稱。命名格式為group_LLM智能路由名稱。
當使用JSON獨立部署時,配置為llm_group。
containers.image:本方案使用PAI提供的預置鏡像,您需要將<regionid>替換為實際服務所在地區的ID,例如華北2(北京)配置為cn-beijing。
訪問服務
擷取服務訪問地址和Token
進入模型線上服務頁面。
登入PAI控制台。
在左側導覽列單擊工作空間列表,在工作空間列表頁面中單擊待操作的工作空間名稱,進入對應工作空間內。
在工作空間頁面的左側導覽列選擇模型部署>模型線上服務(EAS),進入模型線上服務(EAS)頁面。
單擊LLM智能路由服務的服務方式列下的調用資訊。
在調用資訊對話方塊的公網地址調用頁簽,查詢服務訪問地址和Token。
配置訪問LLM智能路由服務的訪問地址。
訪問地址配置規則
樣本值
配置規則為:
{domain}/api/predict/{group_name}.{router_service_name}_llm_gateway/{endpoint}
其中{endpoint}值需要根據您的LLM服務的API介面支援情況來進行配置,例如:
v1/completions
。以上述JSON獨立部署的LLM智能路由服務為例,步驟3的查詢結果為
http://175805416243****.cn-beijing.pai-eas.aliyuncs.com/api/predict/llm_group.llm_router
,則服務訪問地址為http://175805416243****.cn-beijing.pai-eas.aliyuncs.com/api/predict/llm_group.llm_router_llm_gateway/v1/completions
。
訪問測試
在終端中,執行以下命令訪問服務。
$curl -H "Authorization: xxxxxx" -H "Content-Type: application/json" http://***http://********.cn-beijing.pai-eas.aliyuncs.com/api/predict/{group_name}.{router_service_name}_llm_gateway/v1/completions -d '{"model": "llama2", "prompt": "I need your help writing an article. I will provide you with some background information to begin with. And then I will provide you with directions to help me write the article.", "temperature": 0.0, "best_of": 1, "n_predict": 34, "max_tokens": 34, "stream": true}'
其中:
"Authorization: xxxxxx":需要配置為上述步驟已擷取的Token。
http://********.cn-beijing.pai-eas.aliyuncs.com/api/predict/{group_name}.{router_service_name}_llm_gateway/v1/completions
:更新為上述步驟已配置的訪問地址。
返回結果樣本如下:
data: {"id":"0d9e74cf-1025-446c-8aac-89711b2e9a38","choices":[{"finish_reason":"","index":0,"logprobs":null,"text":"\n"}],"object":"text_completion","usage":{"prompt_tokens":36,"completion_tokens":1,"total_tokens":37},"error_info":null}
data: {"id":"0d9e74cf-1025-446c-8aac-89711b2e9a38","choices":[{"finish_reason":"","index":0,"logprobs":null,"text":"\n"}],"object":"text_completion","usage":{"prompt_tokens":36,"completion_tokens":2,"total_tokens":38},"error_info":null}
data: {"id":"0d9e74cf-1025-446c-8aac-89711b2e9a38","choices":[{"finish_reason":"","index":0,"logprobs":null,"text":""}],"object":"text_completion","usage":{"prompt_tokens":36,"completion_tokens":3,"total_tokens":39},"error_info":null}
...
[DONE]
查看服務監控指標
服務測試完成後,您可以通過查看服務監控指標,來瞭解服務的效能。具體操作步驟如下:
在模型線上服務(EAS)頁面,單擊已部署的LLM智能路由服務的服務監控列下的。
在服務監控頁簽,查看以下指標資訊。
Token Throughput
LLM輸入和輸出Token的Throughout
IN:表示LLM輸入Token的輸送量。
OUT:表示LLM輸出Token的輸送量。
GPU Cache Usage
LLM Engine GPU KV Cache的使用率
Engine Current Requests
LLM Engine即時請求並發數
Running:LLM Engine正在執行的請求數量。
Waiting:LLM Engine等待隊列中的請求數量。
Gateway Current Requests
LLM智能路由即時請求數
Total:LLM智能路由當前總共接收的請求數量(總即時並發數)。
Pending:LLM Engine未處理的緩衝在LLM智能路由中的請求數。
Time To First Token
請求的首包延時
Max:請求首包延遲的最大值。
Avg:請求首包延遲的平均值。
Min:請求首包延遲的最小值。
TPxx:請求首包延遲的各個分位點值。
Time Per Output Token
請求的每包延時
Max:請求每包延遲的最大值。
Avg:請求每包延遲的平均值。
Min:請求每包延遲的最小值。
TPxx:請求每包延遲的各個分位點值。