vLLM加速推理的内部原理详解

这篇文章介绍了vLLM加速推理的内部原理详解，分享给大家做个参考，收藏Python资料网收获更多编程知识

---

0. 引言

vLLM（Virtualized Language Learning Model）是一种用于自然语言处理（NLP）的模型架构或框架，旨在提高大规模语言模型（如GPT等）的性能和效率。

论文看这里：《Efficient Memory Management for Large Language Model Serving with PagedAttention》

代码看这里：https://github.com/vllm-project/vllm

本文结合论文详细介绍下为什么需要 vLLM，以及 vLLM 内部的原理是什么，带来了哪些提升。

1. 现状

在模型推理时， GPU 的内存分配如下：

其中：
（1）Parameters 保留权重等参数，是静态的，这部分无法优化；
（2）KV Cache 是 Transformer 的 attention 机制引入的中间缓存，这部分下面会详细说明；
（3）Others 是临时激活函数使用，占用比例较小，优化空间不大。

从上面 GPU 的内存分配来看，KV Cache 是影响推理吞吐量的瓶颈，如果 KV Cache 管理不好，导致一次推理输出的数量太少，就会导致推理速度降低。

2. 技术前提

下面介绍 LLM 依赖的技术，了解技术前提才能看清 LLM 推理时会存在哪些问题。

2.1 基于 Transformer

现在的 LLM 基本上都基于 Transformer，如果不是基于Transformer，那么 vLLM 这套机制恐怕不能生效。 Transformer 的详细介绍参考：

《NLP深入学习：大模型背后的Transformer模型究竟是什么？(一)》
《NLP深入学习：大模型背后的Transformer模型究竟是什么？(二)》

简单列出关键公式，注意力机制公式如下：
A t t e n t i o n ( Q , K , V ) = s o f t m a x ( Q K T d k ) V Attention(Q,K,V)=softmax(\frac{QK^T}{\sqrt {d_k}})V Attention(Q,K,V)=softmax(dk​ ​QKT​)V

其中：
Q = X e m b e d d i n g W Q Q=X_{embedding}W_Q Q=Xembedding​WQ​
K = X e m b e d d i n g W K K=X_{embedding}W_K K=Xembedding​WK​
V = X e m b e d d i n g W V V=X_{embedding}W_V V=Xembedding​WV​

上面向量的维度情况：
W Q ∈ R e m b e d _ d i m ∗ e m b e d _ d i m W_Q \in R^{embed\_dim*embed\_dim} WQ​∈Rembed_dim∗embed_dim
W K ∈ R e m b e d _ d i m ∗ e m b e d _ d i m W_K \in R^{embed\_dim*embed\_dim} WK​∈Rembed_dim∗embed_dim
W V ∈ R e m b e d _ d i m ∗ e m b e d _ d i m W_V \in R^{embed\_dim*embed\_dim} WV​∈Rembed_dim∗embed_dim
X e m b e d d i n g ∈ R b a t c h _ s i z e ∗ s e q _ l e n ∗ e m b e d _ d i m X_{embedding} \in R^{batch\_size*seq\_len*embed\_dim} Xembedding​∈Rbatch_size∗seq_len∗embed_dim 是将语句转为嵌入向量之后的结果。

2.2 自回归生成

大模型一般是基于语言模型，即根据前面的语句预测下一个字的概率：
P ( x ) = P ( x 1 ) P ( x 2 ∣ x 1 ) . . . P ( x n ∣ x 1 , . . . , x n − 1 ) P(x)=P(x_1)P(x_2|x_1)...P(x_n|x_1,...,x_{n-1}) P(x)=P(x1​)P(x2​∣x1​)...P(xn​∣x1​,...,xn−1​)

实际计算时，假设一条语句是 x 1 x 2 . . . x t x_1x_2...x_t x1​x2​...xt​，以下是生成语句的步骤：

1. 计算 $K$ 和 $V$，将本次的 $K$、$V$ 结果缓存起来，并且预测下一个字是 x t + 1 x_{t+1} xt+1​，模型得到输出 x 1 x 2 . . . x t x t + 1 x_1x_2...x_tx_{t+1} x1​x2​...xt​xt+1​
2. 再预测下一个字时，计算 $K$ 和 $V$ 就不需要从头开始计算了， x 1 x 2 . . . x t x_1x_2...x_t x1​x2​...xt​ 的结果已经算过了，本次只需要计算 x t + 1 x_{t+1} xt+1​ 的结果，得到 K ′ K' K′、 V ′ V' V′
3. 一直重复以上步骤，直到输出达到最大长度，或输出了结束 token，如 <eos>

这里的 $K$、$V$ 向量涉及到 KV Cache 的核心，缓存的就是这些向量。

2. 存在哪些问题

2.1 KV Cache 太大

LLM 服务需要为每个请求维护一个键值（KV）缓存，用于存储模型在生成文本时的上下文信息。随着请求数量的增加，KV缓存的大小迅速增长，占用大量 GPU 内存。

对于13B 参数的模型，单个请求的 KV Cache 可能就需要数 1.6 GB的内存。这限制了同时处理的请求数量，进而限制了系统的吞吐量。

2.2 复杂的解码算法

LLM 服务通常提供多种解码算法供用户选择，如贪婪解码、采样解码和束搜索（beam search）。这些算法对内存管理的复杂性有不同的影响。

例如，在并行采样中，多个输出可以共享相同的输入提示的 KV 缓存，而在束搜索中，不同候选序列的KV缓存可以部分共享，这要求内存管理系统能够动态调整内存分配。

2.3 未知的输入和输出长度

LLM 服务的输入和输出长度是变化的，这要求内存管理系统能够适应不同长度的提示。随着请求的输出长度在解码过程中增长，所需的 KV 缓存内存也会增加，可能会耗尽用于新请求或现有的内存。

现有的 LLM 服务系统通常采用静态连续内存分配策略，会带来三个方面的内存浪费：

（1）预留浪费（reserved）。为每个请求预留最大可能序列长度的内存，然而实际请求的长度可能远小于最大长度；
（2）内部碎片（internal fragmentation）。内存分配的低效率还会导致内存碎片，进一步降低内存的可用性；
（3）外部碎片（external fragmentation）。有些内存由于过小，无法使用，这些内存则直接浪费了。

3. vLLM 方案

为了解决这些挑战，vLLM 提出了一种新的注意力算法 PagedAttention，并构建了一个高效的内存管理系统：KV Cache Manager，通过分页技术来管理 KV Cache，从而提高内存的利用效率，减少内存浪费，并支持更复杂的解码算法。这种方法允许在非连续的物理内存中存储连续的键和值，使得内存管理更加灵活，能够更有效地处理 LLM 服务中的内存挑战。

下面是 vLLM 的架构：

3.1 PagedAttention

PagedAttention 是一种受操作系统中虚拟内存和分页技术启发的注意力算法。它允许将连续的 $K$ 和 $V$ 向量存储在非连续的内存空间中。这一点与传统的注意力算法不同，后者通常要求 $K$ 和 $V$ 向量在内存中连续存储。

算法原理：
（1）KV缓存分块：PagedAttention 将每个序列的 KV Cache 划分为多个 KV 块（KV blocks）。每个块包含了固定数量的 token 的 $K$ 和 $V$ 向量。
（2）非连续存储：与传统方法不同，PagedAttention 允许这些 KV 块在物理内存中非连续地存储。这种设计使得内存管理更加灵活。
（3）按需分配：PagedAttention 按需分配 KV 块，这减少了内存碎片，并允许跨请求或同一请求内不同序列之间的内存共享。

3.2 KV Cache Manager

KV Cache Manager 是 vLLM 系统中的一个核心组件，负责以分页的方式高效管理 KV Cache。这一管理器的设计灵感来源于操作系统中的虚拟内存管理技术，特别是分页机制。

主要功能：
（1）逻辑与物理块映射：它维护一个块表（block table），记录逻辑 KV 块与物理 KV 块之间的映射关系。这种分离允许动态地增长 KV Cache 内存，而无需预先为其所有位置分配内存。
（2）动态内存分配：KV Cache Manager 根据需要动态地分配物理 KV 块，这消除了现有系统中的大部分内存浪费。
（3）内存共享：通过页级内存共享，KV Cache Manager 支持在不同请求之间共享 KV Cache，进一步减少内存使用。

下面是一个例子说明 KV Cache Manager 和 PagedAttention 的工作机制：

（1）一个 Block 最大存储 4 个 token。开始输入Four score and seven years ago our 一共7个token，因此逻辑 KV 块 Block 0 填充前4个，对应于物理 KV 块的 Block 7；剩下3个 token 填充逻辑 KV 块 Block1，对应于物理 KV 块的 Block 1，但是并没有填满，对应的 Block Table 的 #filled 写入3；
（2）当自回归生成下一个 token fathers 后，物理 KV 块的 Block 1 同时写入，并且对应的 Block Table 的 #filled 由 3 改写成 4；
（3）自回归生成下一个 token brought 后，流程类似，不再赘述。

3.3 其他解码场景

3.3.1 Parallel sampling

（1）有 A1 和 A2 并行采样，A1 和 A2 的逻辑 Block 0 的内容一致，实际上在物理 KV 块中只会存一份，对应 Block 7，此时 Block 7的引用计数是 2；
（2）当 A1 和 A2 的 Block 1 都是 years ago our 时，对应于物理 KV 块的 Block 1，此时 Block 1的引用计数是 2；
（3）在生成阶段时，A1、A2 生成下一个字的结果不一样，A1 是 fathers 而 A2 是 mothers，这样 Block 1 会触发写时复制（copy on write），复制一份到 Block 3，同时 Block 1 填入 mothers，Block 3 填入 fathers。Block 1的引用由2计数减1，变成1。

3.3.2 Beam search

与并行解码不同，束搜索（beam search）不仅支持共享初始提示块，还支持不同候选之间的其他块共享，并且随着解码过程的推进，共享模式会动态变化，类似于操作系统中由复合分叉创建的进程树。

根据上图，介绍 vLLM 如何管理 Beam search 的 KV 块其中束宽 k = 4。
（1）图中，虚线左边是迭代之前，右边是迭代后的结果
（2）在虚线所示的迭代之前，每个候选序列已经使用了4个完整的逻辑块。
Beam candidate 0 是 Block 0 -> Block 1 -> Block 3 -> Block 5
Beam candidate 1 是 Block 0 -> Block 1 -> Block 3 -> Block 6
Beam candidate 2 是 Block 0 -> Block 1 -> Block 3 -> Block 7
Beam candidate 3 是 Block 0 -> Block 2 -> Block 4 -> Block 8
所有束候选共享第一个块，即 Block 0。从第二个块开始，候选3与其他候选不同。候选0-2共享前3个块，并在第4个块处发散。
（3）在虚线所示的迭代之后，所有块（Block9～12）都来自于候选1和2。由于原始候选0和3不再在候选之列，它们的逻辑块被释放，相应物理块的引用计数减少。vLLM 释放所有引用计数达到0的物理块（Block 2、4、5、8）。然后，vLLM 为新候选分配新的物理块（Block 9-12）来存储新的 KV 缓存。
（4）现在，所有候选共享Block 0、1、3；候选0和1共享Block 6，候选2和3进一步共享 Block 7。

3.3.3 共享前缀

共享前缀是指在多个用户请求中重复出现的文本序列，这些序列通常位于请求的开始部分。在大型语言模型的应用中，如机器翻译或聊天机器人，用户经常提供包含指令和示例输入输出的长描述。这些描述被连接到实际任务输入以形成请求的提示（prompt）。

vLLM 系统通过以下方式优化 共享前缀 的处理：

（1）预存储KV缓存：vLLM 可以预先存储共享前缀的 KV Cache，这样在处理包含该前缀的请求时，就不需要重新计算这部分的 KV Cache，从而减少冗余计算。

（2）映射逻辑块到物理块：在用户输入提示包含共享前缀时，vLLM 可以将提示的逻辑块映射到预先缓存的物理块。这样，只有用户特定任务输入的部分需要在模型中进行处理。

（3）提高效率：通过这种方式，vLLM 可以更高效地利用内存和计算资源，因为共享前缀的计算只需进行一次，而不是在每个请求中重复进行。

共享前缀的应用场景包括：

（1） 机器翻译：用户可能会提供一个包含翻译指令和几个示例翻译对的长描述。这些描述的开始部分（即共享前缀）在多个请求中是相同的。

（2）聊天机器人：在聊天应用中，用户与机器人的交互历史可能会被用作上下文，以便生成更准确的响应。这些交互历史的一部分可能会在多个请求中重复出现。

4. 结论

评估表明，与 FasterTransformer 和 Orca 等最先进的系统相比，vLLM 在相同的延迟水平下将流行 LLM 的吞吐量提高了2-4倍。

参考

[1] https://arxiv.org/pdf/2309.06180
[2] https://blog.vllm.ai/2023/06/20/vllm.html

---

欢迎关注本人，我是喜欢搞事的程序猿； 一起进步，一起学习；

欢迎关注知乎/CSDN：SmallerFL

也欢迎关注我的wx公众号（精选高质量文章）：一个比特定乾坤

版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！