Kimi论文自曝推理架构，80%流量都靠它承担
克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
月之暗面和清华KVCache.ai团队的最新论文，首次揭秘了Kimi背后的推理架构！
要知道Kimi是国产大模型的当红炸子鸡，火到可以说从来没缺过流量，甚至还经常出现过载。
而随着论文的发布，这泼天的流量到底如何被Kimi接住的问题，也有了答案。
Kimi背后的推理架构名叫Mooncake（月饼），主要特点是采取了分离式的设计方案。
而且，Mooncake在设计之时就考虑了可能出现的大流量场景，并针对这种情况专门研发。
在模拟场景下，Mooncake最高能带来525%的吞吐量增长，实际场景中也能多处理75%请求。
另据月之暗面工程副总裁许欣然的一篇知乎文章介绍，Kimi有80%以上的流量，都是由该系统承接。
从KV缓存出发，建造分布式系统
整个Mooncake系统设计的核心，是围绕着KV缓存展开的。
（KV缓存用于存储键-值对（Key-Value Pairs），主要优势在于可以简单高效地访问和检索数据，在大模型当中可以提高推理速度并减少计算资源消耗。）
之所以这样做，是因为团队预计KV缓存的容量会长期保持高位，因此围绕KV缓存进行优化十分必要。
从结构上看，Mooncake由全局调度器（Conductor）、Prefill节点集群、Decoding节点集群和分布式KVCache池几部分组成，另外还有RDMA通信组件（Messenger）。
其中全局调度器是用户请求到达系统后的第一站，它负责接收请求并根据KV缓存分布和负载情况，将请求调度到Prefill和Decoding节点。
调度器在调度时需要综合考虑KV缓存的复用长度、负载均衡等因素，实现KV缓存复用的最大化。
具体到Mooncake，它采用了一种启发式的自动热点迁移策略，可以在不需要精确预测未来访问的情况下自动复制热点KV缓存块。
同时，这种动态复制热点KV缓存块的方式，也是实现均衡负载的一种重要途径。
实验结果表明，与随机调度和负载均衡调度相比，Mooncake的调度策略可以显著降低TTFT（Time To First Token，首个Token延迟），提高系统性能。
完成调度之后，任务会分别交由Prefill和Decoding节点进行运算。
Prefill节点接收到调度器转发过来的请求后，会从KV缓存池中读取缓存，执行预计算并生成新的KV缓存。
对于长上下文请求，Mooncake还会分块流水并行的方式，使用多个节点并行处理来降低延迟。
而Decoding节点除了接收调度器发来的请求外，还会收到Prefill阶段生成的KV缓存，节点会对这些缓存执行解码并生成最终结果。
这当中，大容量、高性能的KV缓存存储由缓存池提供；RDMA通信组件则凭借其高带宽、低延迟的优势，负责在不同节点之间的KV缓存传输。
除了采取以KV缓存为中心的工作流程外，Mooncake还有另一个重要特点——分离式的架构。
采取分离式架构的重要因素之一，是在于Prefill和Decoding两个阶段的计算特性差异很大。
具体来说，它们分别要对TTFT和TBT（Time Between Tokens，Token间延迟）负责。
这就导致了两者在计算复杂度、内存访问方式、并行粒度和对延迟的敏感度上都存在差异：
所以，月之暗面团队对GPU集群也进行了相应的拆分，以便将它们分别部署在不同节点集群上，实现资源隔离和专门优化。
另外，Mooncake中的KV缓存池也是分布式的，同时充分利用了GPU集群中空闲的CPU、DRAM和SSD资源，实现了大容量、高带宽的KV缓存存储和传输，同时也减少了闲置资源的浪费。
提前预测负载，及时拒绝超量请求
不过，即使Mooncake采用了高效的分离架构，但实际环境中的超大流量，对系统仍然是一个考验。
对此，作者也提出了新的应对策略。
在过载场景下，调度的关键是决定是否接受新的请求。
由于Mooncake采用的是分离式架构，可以采取早期拒绝策略，在Prefill阶段就根据Decoding节点的负载情况，提前拒绝请求。
Mooncake使用TTFT和TBT的SLO（Service Level Objective，服务等级目标）满足情况作为负载的度量指标。
具体的SLO要求是TTFT的90分位值（P90）不超过单个请求在空载条件下处理时间的10倍，TBT的P90值不超过5倍。
这种早期拒绝策略可以显著减少无效的Prefill计算,提高资源利用率，但同时也带来了新的问题——Prefill和Decoding节点负载的波动，导致资源利用率下降、影响系统性能。
这是由于早期拒绝策略中，系统做出请求拒绝的决策时存在滞后性，如下图所示：
在阶段1，Prefill节点和Decoding节点的负载都较低，此时调度器会持续接受新的请求，直到Prefill节点的负载达到上限。
进入阶段2后，Rrefill节点处理的请求开始进入Decoding节点，导致其负载快速上升。当Decoding节点的负载超过阈值后调度器开始拒绝新的请求，但此时Prefill节点的负载仍然很高。
到了阶段3，由于调度器拒绝新请求，Prefill节点的负载开始下降。但此前积压的请求正在Decoding阶段处理，节点的负载仍然很高。
最后是阶段4，Decoding节点的负载开始下降，因为前面的请求都处理完成，而新的请求又被拒绝了。这时调度器再次开始接受新请求，Prefill节点的负载又开始上升。
之后，这个过程会周期性地重复，导致Prefill和Decoding节点的负载出现反相位的波动。
针对这一问题，月之暗面团队对这种简单的早期拒绝策略进行了修正，提出了基于预测的早期拒绝策略，从而降低节点负载的波动。
这种策略的核心思想是对一段时间后的Decoding节点负载进行预测，并基于预测结果决定是否拒绝请求。
预测可以在请求级别和系统级别两个层面进行，请求级别的预测比较困难，因为要预测单个请求的执行时间；系统级别的预测相对容易一些，只需要预测整体的负载情况。
Mooncake采用的是一种简化的系统级别预测方法，假设每个请求的执行时间服从某个固定分布，据此预测未来一段时间内的负载情况。
实验结果表明，这种基于预测的早期拒绝策略，可以有效缓解负载波动问题。
最终，端到端性能评估结果表明，Mooncake的架构设计和优化策略，有效提高了推理服务性能，尤其在长上下文和真实场景下优势更加显著。
在ArXiv Summarization和L-Eval数据集上，Mooncake的吞吐量比baseline方法vLLM分别提高了20%和40%。
在模拟数据集上，Mooncake的吞吐量最高可达525%，在真实数据集上也可以比vLLM多处理约75%的请求。
过载场景下的性能评估结果则显示，使用基于预测的早期拒绝策略时，拒绝的请求数量从baseline的4183个减少到了3589个，说明系统的请求处理能力得到了提高。
针对未来的发展，论文的另一位作者、清华大学计算机系助理教授章明星表示，从目前的趋势来看，大模型服务的负载会愈发的复杂和多元化，调度会越来越复杂，也会越来越重要。
而对于月之暗面的发展方向，则是由许欣然做了解答——分布式策略的实施，也意味着未来月之暗面的整个系统，将往“算力/$”和“带宽/$”两个方向独立发展，从而对硬件优化更加友好。
论文地址：
https://arxiv.org/pdf/2407.00079
GitHub：
https://github.com/kvcache-ai/Mooncake
参考链接：
[1]https://zhuanlan.zhihu.com/p/705910725
[2]https://zhuanlan.zhihu.com/p/706204757
— 完 —
量子位年度AI主题策划正在征集中！
欢迎投稿专题 一千零一个AI应用，365行AI落地方案
或与我们分享你在寻找的AI产品，或发现的AI新动向
点这里👇关注我，记得标星哦～
微信扫码关注该文公众号作者