VLLM性能优化实践：从推理加速到高效部署的全方位优化

VLLM性能优化实践：从推理加速到高效部署的全方位优化

VLLM是一个专注于LLM（大型语言模型）的推理和部署库，通过iterative-level schedule调度策略和PagedAttention注意力机制，实现了性能的显著提升。本文将详细介绍VLLM的核心技术和架构设计，以及其在实际部署中的优化实践。

重要推理超参数

在LLM的推理过程中，以下超参数对模型的输出效果有着重要影响：

• do_sample：布尔类型。是否使用随机采样方式运行推理，如果设置为False，则使用beam_search方式。
• temperature：大于等于零的浮点数。公式为：
  从公式可以看出，如果T取值为0，则效果类似argmax，此时推理几乎没有随机性；取值为正无穷时接近于取平均。一般temperature取值介于[0, 1]之间。取值越高输出效果越随机。如果该问答只存在确定性答案，则T值设置为0。反之设置为大于0。
• top_k：大于0的正整数。从k个概率最大的结果中进行采样。k越大多样性越强，越小确定性越强。一般设置为220~100之间。
  实际实验中可以先从100开始尝试，逐步降低top_k直到效果达到最佳。
• top_p：大于0的浮点数。使所有被考虑的结果的概率和大于p值，p值越大多样性越强，越小确定性越强。一般设置0.7~0.95之间。
  实际实验中可以先从0.95开始降低，直到效果达到最佳。
  top_p比top_k更有效，应优先调节这个参数。
• repetition_penalty：大于等于1.0的浮点数。如何惩罚重复token，默认1.0代表没有惩罚。

KVCache的工作原理

自回归模型的推理是将新的token不断填入序列生成下一个token的过程。那么，前面token已经生成的中间计算结果是可以直接利用的。具体以Attention结构来说：

推理时的Q是单token tensor，但K和V都是包含了所有历史token tensor的长序列，因此KV是可以使用前序计算的中间结果的，这部分的缓存就是KVCache，其显存占用非常巨大。

VLLM框架

vLLM 是一个专注于 LLM（大型语言模型）的推理和部署库，它整合了 iterative-level schedule 调度策略和 PagedAttention 注意力机制，旨在优化处理能力。其中，iterative-level schedule 通过连续批次处理（continuous batching），即在生成一个 token 后立即安排下一批请求，来提升效率。而 PagedAttention 则借鉴了操作系统的分页管理概念，将连续的键值缓存分散存储，以减少显存的不必要占用，提高整体性能。

vLLM 架构

上图展示了 vLLM 的架构，其中 LLMEngine 类是核心组件。外部接口类 LLM 和 AsyncLLMEngine 是对 LLMEngine 的封装。
LLMEngine 包含两个关键组件：Scheduler 负责调度请求，Worker 负责执行模型推理。Scheduler 从等待队列中选择下一个要处理的请求，而 Worker 则使用模型对选定的请求进行推理。

Scheduler

Scheduler 采用 iterative-level 策略来调度请求，即在生成一个 token 后重新调度下一批请求。这种策略允许 vLLM 在每一轮迭代中处理不同数量的请求（即 batch size 不固定），从而最大化吞吐量。请求的处理分为两个阶段：填充阶段和生成阶段。

• 在填充阶段，Scheduler 会处理 prompt，同时生成第一个 token 并生成 prompt KV cache。
• 在生成阶段，Scheduler 会继续预测下一个 token。

目前有两种实现 iterative-level 策略的方法：一种是区分填充阶段和生成阶段，另一种是不区分这两个阶段。vLLM 采用的是第一种方法，即同一批次中的请求要么都处于填充阶段，要么都处于生成阶段，这与 huggingface 的 TGI 推理库保持一致。而 Orca 系统则没有区分这两个阶段。

Worker

上图为Worker流程图。Worker 负责执行模型推理。对于大型模型，可以将模型分布在多个 Worker 上以协同处理请求。

例如，假设模型由 4 层组成，且有 4 张显卡可用，可以设置 Tensor Parallelism 为 4。这样，模型将被分成 4 个部分，每张显卡负责存储和处理模型的一部分。

主要特性

• 通过PagedAttention对 KV Cache 的有效管理
• 传入请求的continus batching，而不是static batching
• 支持张量并行推理
• 支持流式输出
• 兼容 OpenAI 的接口服务
• 与 HuggingFace 模型无缝集成

vLLM 核心技术点

Continuous batching

在实际推理过程中，一个批次多个句子的输入的token长度可能相差很大，最后生成的模型输出token长度相差也很大。在python朴素推理中，最短的序列会等待最长序列生成完成后一并返回，这意味着本来可以处理更多token的GPU算力在对齐过程中产生了浪费。continous batching的方式就是在每个句子序列输出结束后马上填充下一个句子的token，做到高效利用算力。

PagedAttention

推理时的显存占用中，KVCache的碎片化和重复记录浪费了50%以上的显存。VLLM将现有输入token进行物理分块，使每块显存内部包含了固定长度的tokens。在进行Attention操作时，VLLM会从物理块中取出KVCache并计算。因此模型看到的逻辑块是连续的，但是物理块的地址可能并不连续。这和虚拟内存的思想非常相似。另外对于同一个句子生成多个回答的情况，VLLM会将不同的逻辑块映射为一个物理块，起到节省显存提高吞吐的作用。