vLLM (2) - 架构总览

系列文章目录

vLLM (1) - Qwen2推理&部署
vLLM (2) - 架构总览

文章目录

• 系列文章目录
• 前言
• 一、官方资料
• 二、原理简述
• 三、架构图
• 四、项目结构
• 总结

前言

上一篇通过Qwen2的vllm推理和部署，对vllm有了简单直观的了解，但是我们尚未涉及到它的工作原理。接下来我们将以vllm源码为基础，逐步解析。本篇主要是对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。此小节的目标是：解释一些重要概念，简述PagedAttention或者vLLM原理，为后续架构和代码的分析做准备，毕竟本系列的侧重点是源码解析。

1. KV Cache：这是一种提升推理效率的技术；简单来说就是，每次foward推理生成下一个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；
2. Prefill & Decode：LLM推理分为Prefill和Decode两个阶段；Prefill（预填充）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）是不断采样生成新的token，由于是逐个生成，因此该阶段效率较低；
3. 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中可能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）实际情况下可能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，其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；
4. PagedAttention解决性能问题：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大小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；
5. 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同时处理两个请求时的KV cache处理，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的重要组成部分，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调度主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缓存上发挥着重要作用，其中ModelRunner主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理解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录。
这其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。重点关注对象包括core/、engine/、executor/和worker/。

vllm/
├── attention/                 # 注意力
│   ├── backends/              # 注意力各种后端实现，比如flash attention
│   ├── ops/
│   ├── layer.py
│   ├── selector.py   
│   └── __init__.py
├── core/                      # 核心，vllm最关键的部分
│   ├── block/                 # 块，为指定的序列管理物理块
│   ├── 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
│   ├── block_manager_v2.py    # 块管理器v2
│   ├── embedding_model_block_manager.py     # 针对embedding模型的块管理器
│   ├── 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
│   ├── evictor_v2.py          # 驱逐器v2
│   ├── interfaces.py
│   ├── policy.py              # 调度策略，比如fcfs（first come first serve）
│   ├── 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
│   └── __init__.py
├── distributed/               # 分布式设备相关内容（暂不涉及）
│   ├── device_communicators/
│   ├── communication_op.py
│   ├── parallel_state.py 
│   ├── utils.py
│   └── __init__.py
├── engine/                    # 推理引擎
│   ├── output_processor/      # 输出处理器，后处理
│   ├── arg_utils.py           # 管理输入参数
│   ├── async_llm_engine.py    # 异步llm_engine，用于部署，不支持batch推理
│   ├── llm_engine.py          # llm_engine，线下推理，可以batch
│   ├── metrics.py             # 指标，记录kv_cache的使用，延迟等
│   └── __init__.py
├── entrypoints/               # 部署server相关（暂不涉及）
│   ├── openai/
│   ├── api_server.py
│   ├── llm.py 
│   └── __init__.py
├── executor/                         # 执行器
│   ├── cpu_executor.py               
│   ├── distributed_gpu_executor.py
│   ├── executor_base.py              # 执行器基类
│   ├── gpu_executor.py               # gpu执行器，比如我们使用的Nvidia单卡gpu
│   ├── multiproc_gpu_executor.py
│   ├── multiproc_worker_utils.py
│   ├── neuron_executor.py
│   ├── ray_gpu_executor.py 
│   ├── ray_utils.py
│   ├── tpu_executor.py
│   └── __init__.py
├── logging/                          # 日志
│   ├── formatter.py
│   └── __init__.py
├── lora/                             # lora相关（暂不涉及）
│   ├── fully_sharded_layers.py
│   ├── layers.py
│   ├── lora.py
│   ├── models.py 
│   ├── punica.py
│   ├── request.py
│   ├── utils.py
│   ├── worker_manager.py 
│   └── __init__.py
├── model_executor/                   # 模型执行器，主要是管理模型相关部分的          
│   ├── guided_decoding.py 
│   ├── layers.py
│   ├── models.py
│   ├── custom_op.py
│   ├── pooling_metadata.py 
│   ├── sampling_metadata.py          # 采样元数据
│   ├── utils.py 
│   └── __init__.py
├── multimodal/                       # 多模态部分（暂不涉及）
│   ├── base.py
│   ├── image.py
│   ├── registry.py 
│   ├── utils.py 
│   └── __init__.py
├── sepc_decode/                      # 投机采样（暂不涉及）
│   ├── batch_expansion.py
│   ├── interfaces.py
│   ├── metrics.py
│   ├── multi_step_worker.py 
│   ├── ngram_worker.py
│   ├── proposer_worker_base.py
│   ├── spec_decode_worker.py
│   ├── top1_proposer.py 
│   ├── utils.py 
│   └── __init__.py
├── transformers_utils/               # transformers相关的工具
│   ├── configs/ 
│   ├── tokenizers/
│   ├── tokenizer_group/
│   ├── config.py
│   ├── detokenizer.py 
│   ├── image_processor.py 
│   ├── tokenizer.py 
│   └── __init__.py
├── usage/
│   ├── usage_lib.py 
│   └── __init__.py
├── worker/                           # worker，是executor的重要组成部分
│   ├── cache_engine.py 
│   ├── cpu_model_runner.py
│   ├── cpu_worker.py
│   ├── embedding_model_runner.py
│   ├── model_runner.py               # 负责加载和执行模型，准备输入张量等
│   ├── neuron_model_runner.py 
│   ├── neuron_worker.py 
│   ├── tpu_model_runner.py 
│   ├── tpu_worker.py 
│   ├── worker.py                     # worker，使用的是gpu
│   ├── worker_base.py                # worker基类
│   └── __init__.py
├── block.py             # 块（逻辑块，物理块）定义
├── config.py            # 配置，输入参数按照功能区分构成多个配置
├── envs.py              # 环境变量相关
├── inputs.py            # 输入类定义
├── logger.py            # 日志
├── outputs.py           # 输出类定义
├── pooling_params.py     
├── py.typed
├── sampling_params.py   # 采样参数类定义
├── sequence.py          # 序列Sequence和序列组SequenceGroup等的定义
├── utils.py
├── version.py           # vllm版本
├── _C.abi3.so
├── _custom_ops.py
├── _moe_C.abi3.so
├── _punica_C.abi.so
└── __init__.py

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原理和架构做了解析，相信大家对vllm有了更深入的认识，也为后续源码分析清楚了一些障碍。