Kimi論文自曝推理架構，80%流量都靠它承擔

　　月之暗面和清華KVCache.ai團隊的最新論文，首次揭秘了Kimi背后的推理架構!

　　要知道Kimi是國產大模型的當紅炸子雞，火到可以說從來沒缺過流量，甚至還經常出現(xiàn)過載。

　　而隨著論文的發(fā)布，這潑天的流量到底如何被Kimi接住的問題，也有了答案。

　　Kimi背后的推理架構名叫Mooncake(月餅)，主要特點是采取了分離式的設計方案。

　　而且，Mooncake在設計之時就考慮了可能出現(xiàn)的大流量場景，并針對這種情況專門研發(fā)。

　　在模擬場景下，Mooncake最高能帶來525%的吞吐量增長，實際場景中也能多處理75%請求。

　　另據(jù)月之暗面工程副總裁許欣然的一篇知乎文章介紹，Kimi有80%以上的流量，都是由該系統(tǒng)承接。

　　從KV緩存出發(fā)，建造分布式系統(tǒng)

　　整個Mooncake系統(tǒng)設計的核心，是圍繞著KV緩存展開的。

　　(KV緩存用于存儲鍵-值對(Key-Value Pairs)，主要優(yōu)勢在于可以簡單高效地訪問和檢索數(shù)據(jù)，在大模型當中可以提高推理速度并減少計算資源消耗。)

　　之所以這樣做，是因為團隊預計KV緩存的容量會長期保持高位，因此圍繞KV緩存進行優(yōu)化十分必要。

　　從結構上看，Mooncake由全局調度器(Conductor)、Prefill節(jié)點集群、Decoding節(jié)點集群和分布式KVCache池幾部分組成，另外還有RDMA通信組件(Messenger)。

　　其中全局調度器是用戶請求到達系統(tǒng)后的第一站，它負責接收請求并根據(jù)KV緩存分布和負載情況，將請求調度到Prefill和Decoding節(jié)點。

　　調度器在調度時需要綜合考慮KV緩存的復用長度、負載均衡等因素，實現(xiàn)KV緩存復用的最大化。

　　具體到Mooncake，它采用了一種啟發(fā)式的自動熱點遷移策略，可以在不需要精確預測未來訪問的情況下自動復制熱點KV緩存塊。

　　同時，這種動態(tài)復制熱點KV緩存塊的方式，也是實現(xiàn)均衡負載的一種重要途徑。

　　實驗結果表明，與隨機調度和負載均衡調度相比，Mooncake的調度策略可以顯著降低TTFT(Time To First Token，首個Token延遲)，提高系統(tǒng)性能。

　　完成調度之后，任務會分別交由Prefill和Decoding節(jié)點進行運算。

　　Prefill節(jié)點接收到調度器轉發(fā)過來的請求后，會從KV緩存池中讀取緩存，執(zhí)行預計算并生成新的KV緩存。

　　對于長上下文請求，Mooncake還會分塊流水并行的方式，使用多個節(jié)點并行處理來降低延遲。

　　而Decoding節(jié)點除了接收調度器發(fā)來的請求外，還會收到Prefill階段生成的KV緩存，節(jié)點會對這些緩存執(zhí)行解碼并生成最終結果。

　　這當中，大容量、高性能的KV緩存存儲由緩存池提供;RDMA通信組件則憑借其高帶寬、低延遲的優(yōu)勢，負責在不同節(jié)點之間的KV緩存?zhèn)鬏敗?/p>

　　除了采取以KV緩存為中心的工作流程外，Mooncake還有另一個重要特點——分離式的架構。

　　采取分離式架構的重要因素之一，是在于Prefill和Decoding兩個階段的計算特性差異很大。

　　具體來說，它們分別要對TTFT和TBT(Time Between Tokens，Token間延遲)負責。

　　這就導致了兩者在計算復雜度、內存訪問方式、并行粒度和對延遲的敏感度上都存在差異:

　　所以，月之暗面團隊對GPU集群也進行了相應的拆分，以便將它們分別部署在不同節(jié)點集群上，實現(xiàn)資源隔離和專門優(yōu)化。

　　另外，Mooncake中的KV緩存池也是分布式的，同時充分利用了GPU集群中空閑的CPU、DRAM和SSD資源，實現(xiàn)了大容量、高帶寬的KV緩存存儲和傳輸，同時也減少了閑置資源的浪費。

　　提前預測負載，及時拒絕超量請求

　　不過，即使Mooncake采用了高效的分離架構，但實際環(huán)境中的超大流量，對系統(tǒng)仍然是一個考驗。

　　對此，作者也提出了新的應對策略。

　　在過載場景下，調度的關鍵是決定是否接受新的請求。

　　由于Mooncake采用的是分離式架構，可以采取早期拒絕策略，在Prefill階段就根據(jù)Decoding節(jié)點的負載情況，提前拒絕請求。

　　Mooncake使用TTFT和TBT的SLO(Service Level Objective，服務等級目標)滿足情況作為負載的度量指標。

　　具體的SLO要求是TTFT的90分位值(P90)不超過單個請求在空載條件下處理時間的10倍，TBT的P90值不超過5倍。

　　這種早期拒絕策略可以顯著減少無效的Prefill計算，提高資源利用率，但同時也帶來了新的問題——Prefill和Decoding節(jié)點負載的波動，導致資源利用率下降、影響系統(tǒng)性能。

　　這是由于早期拒絕策略中，系統(tǒng)做出請求拒絕的決策時存在滯后性，如下圖所示:

　　在階段1，Prefill節(jié)點和Decoding節(jié)點的負載都較低，此時調度器會持續(xù)接受新的請求，直到Prefill節(jié)點的負載達到上限。

　　進入階段2后，Rrefill節(jié)點處理的請求開始進入Decoding節(jié)點，導致其負載快速上升。當Decoding節(jié)點的負載超過閾值后調度器開始拒絕新的請求，但此時Prefill節(jié)點的負載仍然很高。

　　到了階段3，由于調度器拒絕新請求，Prefill節(jié)點的負載開始下降。但此前積壓的請求正在Decoding階段處理，節(jié)點的負載仍然很高。

　　最后是階段4，Decoding節(jié)點的負載開始下降，因為前面的請求都處理完成，而新的請求又被拒絕了。這時調度器再次開始接受新請求，Prefill節(jié)點的負載又開始上升。

　　之后，這個過程會周期性地重復，導致Prefill和Decoding節(jié)點的負載出現(xiàn)反相位的波動。

　　針對這一問題，月之暗面團隊對這種簡單的早期拒絕策略進行了修正，提出了基于預測的早期拒絕策略，從而降低節(jié)點負載的波動。

　　這種策略的核心思想是對一段時間后的Decoding節(jié)點負載進行預測，并基于預測結果決定是否拒絕請求。

　　預測可以在請求級別和系統(tǒng)級別兩個層面進行，請求級別的預測比較困難，因為要預測單個請求的執(zhí)行時間;系統(tǒng)級別的預測相對容易一些，只需要預測整體的負載情況。

　　Mooncake采用的是一種簡化的系統(tǒng)級別預測方法，假設每個請求的執(zhí)行時間服從某個固定分布，據(jù)此預測未來一段時間內的負載情況。

　　實驗結果表明，這種基于預測的早期拒絕策略，可以有效緩解負載波動問題。

　　最終，端到端性能評估結果表明，Mooncake的架構設計和優(yōu)化策略，有效提高了推理服務性能，尤其在長上下文和真實場景下優(yōu)勢更加顯著。

　　在ArXiv Summarization和L-Eval數(shù)據(jù)集上，Mooncake的吞吐量比baseline方法vLLM分別提高了20%和40%。

　　在模擬數(shù)據(jù)集上，Mooncake的吞吐量最高可達525%，在真實數(shù)據(jù)集上也可以比vLLM多處理約75%的請求。

　　過載場景下的性能評估結果則顯示，使用基于預測的早期拒絕策略時，拒絕的請求數(shù)量從baseline的4183個減少到了3589個，說明系統(tǒng)的請求處理能力得到了提高。

　　針對未來的發(fā)展，論文的另一位作者、清華大學計算機系助理教授章明星表示，從目前的趨勢來看，大模型服務的負載會愈發(fā)的復雜和多元化，調度會越來越復雜，也會越來越重要。

　　而對于月之暗面的發(fā)展方向，則是由許欣然做了解答——分布式策略的實施，也意味著未來月之暗面的整個系統(tǒng)，將往“算力/$”和“帶寬/$”兩個方向獨立發(fā)展，從而對硬件優(yōu)化更加友好。