1. LLM推理服务调度优化概述大型语言模型(LLM)推理服务面临的核心挑战之一是如何高效调度用户请求。当多个用户同时向部署在GPU集群上的LLM服务发送请求时调度系统需要决定将每个请求分配给哪个计算实例。这个决策直接影响两个关键性能指标首令牌延迟(TTFT)和每令牌输出延迟(TPOT)。TTFT衡量从发送请求到收到第一个输出令牌的时间主要取决于预填充阶段的计算量。TPOT则反映后续每个令牌的生成速度与解码阶段的批处理大小密切相关。优化这两个指标需要同时考虑KV$缓存命中率和计算负载均衡KV$缓存存储历史请求的注意力键值对当新请求与缓存内容相似时可直接复用避免重复计算。例如聊天场景中用户追问为什么时系统可以复用之前对话的上下文。负载均衡确保各GPU实例的计算负载均衡分布避免某些实例过载而其他实例闲置。例如突发流量可能导致某些实例堆积大量解码请求。传统调度方案如vLLM仅考虑负载均衡而类似llm-d的模拟预测方法虽然能兼顾两者但存在实现复杂、需针对不同硬件调优的问题。我们的乘法组合方法通过精心选择的指标乘积以极简设计同时优化这两个维度。2. 核心指标设计与原理分析2.1 KV$感知指标预填充令牌数(P-token)P-token表示考虑KV$命中后实例需要实际处理的新令牌数量。其计算方式为P-token 请求的提示令牌数 - KV$命中令牌数例如某请求包含100个提示令牌目标实例的KV$缓存已包含其中60个则P-token40。选择P-token而非KV$命中率作为指标的原因在于负载感知更强如图18实验所示P-token能自动规避堆积大量预填充请求的实例即使这些实例有较高的KV$命中率。这避免了传统方法可能导致的热点集中问题。计算更高效实时统计KV$命中率需要复杂的前缀匹配计算而P-token只需简单的令牌计数。实际部署时我们为每个实例维护一个前缀树(Trie)来高效追踪KV$状态。当请求到达时路由器会并行查询各实例的Trie统计可复用的令牌数量。2.2 负载均衡指标批处理大小(BS)BS表示目标实例当前正在处理的请求总数包括预填充和解码阶段。选择BS而非总令牌数的原因包括解码阶段主导在持续服务场景中解码请求通常占计算资源的70%以上。BS直接反映解码阶段的负载压力。稳定性更好如图19所示不同令牌数的请求在相同BS下解码时间差异不大而相同令牌数在不同BS下的延迟差异显著。我们实际测量了Qwen-30B模型在A100 GPU上的表现当BS从1增加到8时每个令牌的解码时间从15ms线性增长到120ms而令牌数量变化对单请求延迟影响不超过10%。3. 乘法组合的调度算法3.1 核心算法实现算法伪代码如下完整实现约200行Rust代码fn schedule(req: Request) - Instance { let instances cluster.get_instances(); instances.par_iter() // 并行查询各实例 .map(|inst| { let p_token req.prompt_len() - inst.kv_cache.hit_count(req); let score p_token * inst.batch_size(); (inst, score) }) .min_by_key(|(_, score)| *score) .unwrap().0 }关键优化点包括并行查询使用Rayon库实现多线程并行将16实例的查询延迟从15ms降至3ms增量更新BS采用原子计数器避免每次调度时的全局同步批处理每10ms处理一批请求减少路由器的IPC开销3.2 乘法特性的优势分析相比线性组合λ·KV (1-λ)·LOAD乘法KV×LOAD具有两大优势无超参数如图17(a)所示乘法自动保持两项指标的平衡。当P-token减半时需要BS加倍才能保持相同得分这与GPU的实际计算能力线性扩展特性一致。非线性惩罚对高负载实例的调度会呈现指数级抑制。例如当BS8的实例比BS2的实例需要高4倍KV$命中率才会被选中。我们在Qwen-30B上的测试显示乘法组合在ChatBot工作负载下比最佳调参的线性组合降低14%的P99延迟。4. 异常处理与边界条件4.1 KV$热点检测虽然乘法组合在大多数情况下表现良好但极端KV$倾斜场景仍可能导致负载不均。我们设计了两阶段检测器# 第一阶段请求分类监控 for window in sliding_windows(60s): for prefix in top_k(kv_hit_rate, 5): # 监控TOP5热点 x request_ratio(prefix) M instances_with_prefix(prefix) if x/(1-x) len(M)/(16-len(M)): # 公式(2) alert_stage1(prefix) # 第二阶段连续路由检测 if consecutive_routes(prefix, M) 2*len(M): activate_mitigation(prefix)在AgentTool工作负载中该检测器成功识别出仅占0.3%请求但导致3%延迟波动的异常模式。4.2 冷启动处理新实例加入或缓存失效时我们采用渐进式预热策略前5分钟设置BS上限为平均值的一半动态调整P-token权重score (p_token10)*BS后台预加载高频前缀如系统提示词实测显示这可将冷启动对TTFT的影响从300ms降至50ms以内。5. 性能评估与生产部署5.1 实验环境配置我们在16台A100-80G服务器上部署测试集群工作负载包括ChatBot模拟200并发用户的对话场景Coder代码补全请求平均长度128令牌API短请求突发流量模式AgentTool复杂多跳推理任务每种工作负载运行30分钟逐渐增加QPS直到饱和点。5.2 关键性能指标指标vLLMllm-d本方案TTFT均值(ms)3528948TTFT P99(ms)1250320285TPOT均值(ms)422827TPOT P99(ms)215165142KV$命中率0%68%72%特别在AgentTool负载下我们的方案TPOT P99比llm-d降低30%证明乘法组合对复杂工作负载的适应性更好。5.3 生产实践经验在BAILIAN平台部署时我们总结了以下经验监控埋点实时追踪P-token×BS的分布设置95百分位的告警动态调节当整体负载70%时自动降低BS权重因子混合部署对TTFT敏感型(如ChatBot)和TPOT敏感型(如Batch处理)请求采用不同权重策略目前系统日均处理超过2亿请求相比原调度器节省23%的GPU资源。6. 扩展讨论与优化方向6.1 多目标权衡实际部署中常需要平衡多个SLO严格延迟约束对P-token设置上限阈值公平性保障引入每用户令牌配额成本控制与spot实例协同调度我们正在开发基于强化学习的动态权重调整模块预计可进一步提升15%的综合效益。6.2 硬件适配优化不同GPU架构需要微调实现H100利用TMA加速KV$查询MI300X优化原子操作吞吐TPU适配SparseCore特性这些优化可使跨平台性能差异从30%降至10%以内。