Skip to content

Latest commit

 

History

History
367 lines (277 loc) · 11.8 KB

global_cache_pooling.md

File metadata and controls

367 lines (277 loc) · 11.8 KB

English | 中文文档

全局缓存池化

本文档介绍如何将 MooncakeStore 作为 FastDeploy 的 KV Cache 存储后端，实现多推理实例间的全局缓存池化。

概述

什么是全局缓存池化？

全局缓存池化允许多个 FastDeploy 实例通过分布式存储层共享 KV Cache，具有以下优势：

  • 跨实例缓存复用：一个实例计算的 KV Cache 可被其他实例复用
  • PD 分离架构优化：Prefill 和 Decode 实例可无缝共享缓存
  • 减少重复计算：避免跨请求的重复前缀计算

架构图

┌─────────────────────────────────────────────────────────────────┐
│                     Mooncake Master 服务                         │
│              (元数据与协调服务)                                    │
└────────────────────────────┬────────────────────────────────────┘
                             │
         ┌───────────────────┼───────────────────┐
         │                   │                   │
         ▼                   ▼                   ▼
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│  FastDeploy     │ │  FastDeploy     │ │  FastDeploy     │
│  Instance P     │ │  Instance D     │ │  Instance X     │
│  (Prefill)      │ │  (Decode)       │ │  (Standalone)   │
└────────┬────────┘ └────────┬────────┘ └────────┬────────┘
         │                   │                   │
         └───────────────────┼───────────────────┘
                             │
                    ┌────────▼────────┐
                    │  MooncakeStore  │
                    │  (共享 KV       │
                    │   Cache 池)     │
                    └─────────────────┘

示例脚本

开箱即用的示例脚本位于 examples/cache_storage/。

脚本 场景 说明
run.sh 多实例缓存共享 两个独立实例共享缓存
run_03b_pd_storage.sh PD 分离 P+D 实例配合全局缓存池

环境要求

硬件要求

  • 支持 CUDA 的 NVIDIA GPU
  • RDMA 网络（生产环境推荐）或 TCP 网络

软件要求

  • Python 3.8+
  • CUDA 11.8+
  • FastDeploy（见下方安装说明）

安装步骤

参考 NVIDIA CUDA GPU 安装指南 安装 FastDeploy。

# 方式一：从 PyPI 安装
pip install fastdeploy-gpu

# 方式二：从源码编译
bash build.sh
pip install ./dist/fastdeploy*.whl

安装FastDeploy后自动安装了MooncakeStore。

配置说明

我们支持两种方式配置MooncakeStore，一是通过配置文件mooncake_config.json，二是通过环境变量进行配置。

Mooncake 配置文件

创建 mooncake_config.json 配置文件：

{
    "metadata_server": "http://0.0.0.0:15002/metadata",
    "master_server_addr": "0.0.0.0:15001",
    "global_segment_size": 1000000000,
    "local_buffer_size": 134217728,
    "protocol": "rdma",
    "rdma_devices": ""
}

设置MOONCAKE_CONFIG_PATH环境变量后，配置文件生效：

export MOONCAKE_CONFIG_PATH=path/to/mooncake_config.json

配置参数说明：

参数 说明 默认值
metadata_server HTTP 元数据服务地址 必填
master_server_addr Master 服务地址 必填
global_segment_size 每个TP进程给全局共享内存共享的内存空间（字节） 1GB
local_buffer_size 数据传输本地缓冲区大小（字节） 128MB
protocol 传输协议：rdma 或 tcp rdma
rdma_devices RDMA 设备名称（逗号分隔） 自动检测

环境变量配置

Mooncake 也支持通过环境变量进行配置：

环境变量 说明
MOONCAKE_MASTER_SERVER_ADDR Master 服务地址（如 10.0.0.1:15001）
MOONCAKE_METADATA_SERVER 元数据服务 URL
MOONCAKE_GLOBAL_SEGMENT_SIZE 每个TP进程给全局共享内存共享的内存空间（字节）
MOONCAKE_LOCAL_BUFFER_SIZE 本地缓冲区大小（字节）
MOONCAKE_PROTOCOL 传输协议（rdma 或 tcp）
MOONCAKE_RDMA_DEVICES RDMA 设备名称

使用场景

场景一：多实例缓存共享

运行多个 FastDeploy 实例，共享全局 KV Cache 池。

步骤 1：启动 Mooncake Master

mooncake_master \
    --port=15001 \
    --enable_http_metadata_server=true \
    --http_metadata_server_host=0.0.0.0 \
    --http_metadata_server_port=15002 \
    --metrics_port=15003

步骤 2：启动 FastDeploy 实例

实例 0：

export MOONCAKE_CONFIG_PATH="./mooncake_config.json"
export CUDA_VISIBLE_DEVICES=0

python -m fastdeploy.entrypoints.openai.api_server \
       --model ${MODEL_NAME} \
       --port 52700 \
       --max-model-len 32768 \
       --max-num-seqs 32 \
       --kvcache-storage-backend mooncake

实例 1：

export MOONCAKE_CONFIG_PATH="./mooncake_config.json"
export CUDA_VISIBLE_DEVICES=1

python -m fastdeploy.entrypoints.openai.api_server \
       --model ${MODEL_NAME} \
       --port 52800 \
       --max-model-len 32768 \
       --max-num-seqs 32 \
       --kvcache-storage-backend mooncake

步骤 3：测试缓存复用

向两个实例发送相同的 prompt，第二个实例应能复用第一个实例计算的 KV Cache。

# 请求实例 0
curl -X POST "http://0.0.0.0:52700/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -d '{"messages": [{"role": "user", "content": "Hello, world!"}], "max_tokens": 50}'

# 请求实例 1（应命中缓存）
curl -X POST "http://0.0.0.0:52800/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -d '{"messages": [{"role": "user", "content": "Hello, world!"}], "max_tokens": 50}'

场景二：PD 分离 + 全局缓存池

此场景将 PD 分离架构 与 全局缓存池化 结合，实现：

  • Prefill 实例可读取 Decode 实例的输出缓存
  • 优化多轮对话性能

架构图：

         ┌──────────────────────────────────────────┐
         │              Router                       │
         │           (负载均衡器)                    │
         └─────────────────┬────────────────────────┘
                           │
           ┌───────────────┴───────────────┐
           │                               │
           ▼                               ▼
    ┌─────────────┐                 ┌─────────────┐
    │   Prefill   │                 │   Decode    │
    │  Instance   │◄───────────────►│  Instance   │
    │             │   KV Transfer   │             │
    └──────┬──────┘                 └──────┬──────┘
           │                               │
           └───────────────┬───────────────┘
                           │
                  ┌────────▼────────┐
                  │  MooncakeStore  │
                  │  (全局缓存池)   │
                  └─────────────────┘

步骤 1：启动 Mooncake Master

mooncake_master \
    --port=15001 \
    --enable_http_metadata_server=true \
    --http_metadata_server_host=0.0.0.0 \
    --http_metadata_server_port=15002

步骤 2：启动 Router

python -m fastdeploy.router.launch \
    --port 52700 \
    --splitwise

步骤 3：启动 Prefill 实例

export MOONCAKE_MASTER_SERVER_ADDR="127.0.0.1:15001"
export MOONCAKE_METADATA_SERVER="http://127.0.0.1:15002/metadata"
export MOONCAKE_PROTOCOL="rdma"
export CUDA_VISIBLE_DEVICES=0

python -m fastdeploy.entrypoints.openai.api_server \
    --model ${MODEL_NAME} \
    --port 52400 \
    --max-model-len 32768 \
    --max-num-seqs 32 \
    --splitwise-role prefill \
    --cache-transfer-protocol rdma \
    --router "0.0.0.0:52700" \
    --kvcache-storage-backend mooncake

步骤 4：启动 Decode 实例

export MOONCAKE_MASTER_SERVER_ADDR="127.0.0.1:15001"
export MOONCAKE_METADATA_SERVER="http://127.0.0.1:15002/metadata"
export MOONCAKE_PROTOCOL="rdma"
export CUDA_VISIBLE_DEVICES=1

python -m fastdeploy.entrypoints.openai.api_server \
    --model ${MODEL_NAME} \
    --port 52500 \
    --max-model-len 32768 \
    --max-num-seqs 32 \
    --splitwise-role decode \
    --cache-transfer-protocol rdma \
    --router "0.0.0.0:52700" \
    --enable-output-caching \
    --kvcache-storage-backend mooncake

步骤 5：通过 Router 发送请求

curl -X POST "http://0.0.0.0:52700/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -d '{"messages": [{"role": "user", "content": "Hello!"}], "max_tokens": 50}'

FastDeploy Mooncake 相关参数

参数 说明
--kvcache-storage-backend mooncake 启用 Mooncake 作为 KV Cache 存储后端
--enable-output-caching 启用输出 token 缓存（推荐 Decode 实例开启）
--cache-transfer-protocol rdma P 和 D 之间使用 RDMA 进行 KV 传输
--splitwise-role prefill/decode 设置实例在 PD 分离中的角色
--router PD 分离场景下的 Router 地址

验证方法

检查缓存命中

通过日志验证缓存命中情况：

# 多实例场景
grep -E "storage_cache_token_num" log_*/api_server.log

# PD 分离场景
grep -E "storage_cache_token_num" log_prefill/api_server.log

如果 storage_cache_token_num > 0，表示实例成功从全局池读取了缓存的 KV 块。

监控 Mooncake Master

# 检查 master 状态
curl http://localhost:15002/metadata

# 检查指标（如配置了 metrics_port）
curl http://localhost:15003/metrics

故障排查

常见问题

1. 端口被占用

# 检查端口使用情况
ss -ltn | grep 15001

# 终止占用进程
kill -9 $(lsof -t -i:15001)

2. RDMA 连接失败

  • 检查 RDMA 设备：ibv_devices
  • 检查 RDMA 网络：ibv_devinfo
  • 降级使用 TCP：设置 MOONCAKE_PROTOCOL=tcp

3. 缓存未共享

  • 确认所有实例连接到同一个 Mooncake master
  • 检查元数据服务 URL 是否一致
  • 确认 global_segment_size 足够大

4. /dev/shm 权限不足

# 清理残留的共享内存文件
find /dev/shm -type f -print0 | xargs -0 rm -f

调试模式

开启调试日志：

export FD_DEBUG=1

更多资源