ToB企服应用市场:ToB评测及商务社交产业平台

标题: vLLM (2) - 架构总览 [打印本页]

---

作者: 诗林    时间: 2024-11-14 22:05
标题: vLLM (2) - 架构总览
系列文章目次

vLLM (1) - Qwen2推理&摆设
vLLM (2) - 架构总览
vLLM (3) - Sequence & SequenceGroup
vLLM (4) - LLMEngine上篇
vLLM (5) - LLMEngine下篇
vLLM (6) - Scheduler & BlockSpaceManager

---

  

---

媒介

上一篇通过Qwen2的vllm推理和摆设，对vllm有了简单直观的相识，但是我们尚未涉及到它的工作原理。接下来我们将以vllm源码为底子，渐渐解析。本篇重要是对vllm架构的总览。

---

一、官方资料

repo：https://github.com/vllm-project/vllm
文档：https://docs.vllm.ai/en/latest/
论文：https://arxiv.org/abs/2309.06180
二、原理简述

原理部分已经有不少文章已经讲解了，比如这篇文章。此末节的目标是：解释一些重要概念，简述PagedAttention大概vLLM原理，为后续架构和代码的分析做准备，毕竟本系列的偏重点是源码解析。

• KV Cache：这是一种提升推理效率的技能；简单来说就是，每次foward推理天生下一个token时，都要用到之前token对应的key和value，因而可以把它们都缓存起来，这样就能节省推理时间；
  
• Prefill & Decode：LLM推理分为Prefill和Decode两个阶段；Prefill（预添补）是将prompt的所有token一起喂给模型，这部分由于不需要采样，认为是可以并行的；Decode（解码）是不停采样天生新的token，由于是逐个天生，因此该阶段效率较低；
  
• KV cache性能问题：1）此前很多推理系统是为每一个request申请一块连续内存，此时只能选择所有requests中大概输出的最大长度来预分配KV cache，这显然造成了资源浪费，因为短句用不了这么多KV cache；2）现实情况下大概requests比较多，某一时刻某个request解码尚未完成，但始终完全占据为它预分配的连续内存，此中未使用的部分不能为新的request所用，占着茅坑不拉屎；3）存在内存碎片，非连续内存也没办法被利用起来；
  
• PagedAttention办理性能问题：使用类似虚拟内存分页管理的思想，简单来说就是，将申请的内存按照指定的巨细block_size划分成很多个block，这些block可以动态的分配给有需要的request，极大减少了资源浪费；
  
• Physical blocks & Logical blocks：Physical blocks相当于物理内存，Logical blocks相当于虚拟内存，两者之间有映射关系，KV cache在Physical blocks不连续，但是在Logical blocks上是连续的。
  上图是vLLM同时处理惩罚两个请求时的KV cache处理惩罚，对于一个请求来说，我只管问Logical blocks要内存块，Physical blocks上怎么存储我不管，Physical blocks和Logical blocks之间的映射关系会处理惩罚这个问题。
  

三、架构图

上图来源于vLLM First SF Meetup Slides（官方repo中），它较为直观的展示了vllm的整体架构，让我来简单介绍一下：

• 直接处理惩罚用户请求的类是LLMEngine，它需要完成两部分内容，分别是（多个）请求的调度，以及模型的执行；
  
• Scheduler是LLMEngine的重要构成部分，它就是根据设定的调度策略，完成对用户请求的调度，以便调高吞吐，更快的响应；
  
• Scheduler调度重要用到了虚拟内存分页管理的思想，将显存/内存划分成了很多个block，那么这些block的管理就由BlockSpaceManager完成；
  
• 另一边，Worker在模型执行和KV cache缓存上发挥偏重要作用，此中ModelRunner重要负责模型加载和执行等，而CacheEngine就负责KV cache的初始化和更新。
  

四、项目结构

为了让大家更加清晰的明白vllm的架构，我还列出了其项目结构（项目结构能直观反映它的架构），并给出了必要的注释，如下面所示。由于文件比较多，这边只展开到一级子目次。
这此中好些部分是我们暂不涉及的，我在注释中标注了（暂不涉及）字样，这能减轻我们很大的压力。重点关注对象包罗core/、engine/、executor/和worker/。

1. vllm/
2. ├── attention/                 # 注意力
3. │   ├── backends/              # 注意力各种后端实现，比如flash attention
4. │   ├── ops/
5. │   ├── layer.py
6. │   ├── selector.py   
7. │   └── __init__.py
8. ├── core/                      # 核心，vllm最关键的部分
9. │   ├── block/                 # 块，为指定的序列管理物理块
10. │   ├── block_manager_v1.py    # 块管理器v1，管理逻辑块和物理块之间的映射关系等
11. │   ├── block_manager_v2.py    # 块管理器v2
12. │   ├── embedding_model_block_manager.py     # 针对embedding模型的块管理器
13. │   ├── evictor_v1.py          # 驱逐器v1，驱逐长时间未使用的物理块缓存，腾出空间
14. │   ├── evictor_v2.py          # 驱逐器v2
15. │   ├── interfaces.py
16. │   ├── policy.py              # 调度策略，比如fcfs（first come first serve）
17. │   ├── scheduler.py           # 调度器，当多个请求到来时，需要调度以高效的方式完成推理，给到用户响应
18. │   └── __init__.py
19. ├── distributed/               # 分布式设备相关内容（暂不涉及）
20. │   ├── device_communicators/
21. │   ├── communication_op.py
22. │   ├── parallel_state.py
23. │   ├── utils.py
24. │   └── __init__.py
25. ├── engine/                    # 推理引擎
26. │   ├── output_processor/      # 输出处理器，后处理
27. │   ├── arg_utils.py           # 管理输入参数
28. │   ├── async_llm_engine.py    # 异步llm_engine，用于部署，不支持batch推理
29. │   ├── llm_engine.py          # llm_engine，线下推理，可以batch
30. │   ├── metrics.py             # 指标，记录kv_cache的使用，延迟等
31. │   └── __init__.py
32. ├── entrypoints/               # 部署server相关（暂不涉及）
33. │   ├── openai/
34. │   ├── api_server.py
35. │   ├── llm.py
36. │   └── __init__.py
37. ├── executor/                         # 执行器
38. │   ├── cpu_executor.py               
39. │   ├── distributed_gpu_executor.py
40. │   ├── executor_base.py              # 执行器基类
41. │   ├── gpu_executor.py               # gpu执行器，比如我们使用的Nvidia单卡gpu
42. │   ├── multiproc_gpu_executor.py
43. │   ├── multiproc_worker_utils.py
44. │   ├── neuron_executor.py
45. │   ├── ray_gpu_executor.py
46. │   ├── ray_utils.py
47. │   ├── tpu_executor.py
48. │   └── __init__.py
49. ├── logging/                          # 日志
50. │   ├── formatter.py
51. │   └── __init__.py
52. ├── lora/                             # lora相关（暂不涉及）
53. │   ├── fully_sharded_layers.py
54. │   ├── layers.py
55. │   ├── lora.py
56. │   ├── models.py
57. │   ├── punica.py
58. │   ├── request.py
59. │   ├── utils.py
60. │   ├── worker_manager.py
61. │   └── __init__.py
62. ├── model_executor/                   # 模型执行器，主要是管理模型相关部分的         
63. │   ├── guided_decoding.py
64. │   ├── layers.py
65. │   ├── models.py
66. │   ├── custom_op.py
67. │   ├── pooling_metadata.py
68. │   ├── sampling_metadata.py          # 采样元数据
69. │   ├── utils.py
70. │   └── __init__.py
71. ├── multimodal/                       # 多模态部分（暂不涉及）
72. │   ├── base.py
73. │   ├── image.py
74. │   ├── registry.py
75. │   ├── utils.py
76. │   └── __init__.py
77. ├── sepc_decode/                      # 投机采样（暂不涉及）
78. │   ├── batch_expansion.py
79. │   ├── interfaces.py
80. │   ├── metrics.py
81. │   ├── multi_step_worker.py
82. │   ├── ngram_worker.py
83. │   ├── proposer_worker_base.py
84. │   ├── spec_decode_worker.py
85. │   ├── top1_proposer.py
86. │   ├── utils.py
87. │   └── __init__.py
88. ├── transformers_utils/               # transformers相关的工具
89. │   ├── configs/
90. │   ├── tokenizers/
91. │   ├── tokenizer_group/
92. │   ├── config.py
93. │   ├── detokenizer.py
94. │   ├── image_processor.py
95. │   ├── tokenizer.py
96. │   └── __init__.py
97. ├── usage/
98. │   ├── usage_lib.py
99. │   └── __init__.py
100. ├── worker/                           # worker，是executor的重要组成部分
101. │   ├── cache_engine.py
102. │   ├── cpu_model_runner.py
103. │   ├── cpu_worker.py
104. │   ├── embedding_model_runner.py
105. │   ├── model_runner.py               # 负责加载和执行模型，准备输入张量等
106. │   ├── neuron_model_runner.py
107. │   ├── neuron_worker.py
108. │   ├── tpu_model_runner.py
109. │   ├── tpu_worker.py
110. │   ├── worker.py                     # worker，使用的是gpu
111. │   ├── worker_base.py                # worker基类
112. │   └── __init__.py
113. ├── block.py             # 块（逻辑块，物理块）定义
114. ├── config.py            # 配置，输入参数按照功能区分构成多个配置
115. ├── envs.py              # 环境变量相关
116. ├── inputs.py            # 输入类定义
117. ├── logger.py            # 日志
118. ├── outputs.py           # 输出类定义
119. ├── pooling_params.py     
120. ├── py.typed
121. ├── sampling_params.py   # 采样参数类定义
122. ├── sequence.py          # 序列Sequence和序列组SequenceGroup等的定义
123. ├── utils.py
124. ├── version.py           # vllm版本
125. ├── _C.abi3.so
126. ├── _custom_ops.py
127. ├── _moe_C.abi3.so
128. ├── _punica_C.abi.so
129. └── __init__.py

复制代码

---

总结

本篇通过原理简述、架构图和项目结构展示这几个部分对vllm原理和架构做相识析，相信大家对vllm有了更深入的认识，也为后续源码分析清晰了一些停滞。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

---

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)

Powered by Discuz! X3.4