AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


使用 NVIDIA NIM 在阿里云 ACK 中加速 LLM 推理
发布日期:2024-09-04 18:45:26 浏览次数: 1676 来源:阿里云云原生


大语言模型(LLM)是近年来发展迅猛并且激动人心的热点话题,引入了许多新场景,满足了各行各业的需求。随着开源模型能力的不断增强,越来越多的企业开始尝试在生产环境中部署开源模型,将 AI 模型接入到现有的基础设施,优化系统延迟和吞吐量,完善监控和安全等方面。然而要在生产环境中部署这一套模型推理服务过程复杂且耗时。为了简化流程,帮助企业客户加速部署生成式 AI 模型,本文结合 NVIDIA NIM(一套专为安全、可靠地部署高性能 AI 模型推理而设计的微服务,是一套易于使用的预构建容器化工具) 和阿里云容器服务 ACK 等产品,提供了一套开箱即用,可以快速构建一个高性能、可观测、灵活弹性的 LLM 模型推理服务的操作指南。

阿里云容器服务(ACK)云原生 AI 套件




Cloud Native

阿里云容器服务 Kubernetes 版 ACK(Container Service for Kubernetes)是全球首批通过 Kubernetes 一致性认证的服务平台,提供高性能的容器应用管理服务,支持企业级 Kubernetes 容器化应用的生命周期管理,让您轻松高效地在云端运行 Kubernetes 容器化应用。


云原生 AI 套件是阿里云容器服务 ACK 提供的云原生 AI 技术和产品方案。使用云原生 AI 套件,您可以充分利用云原生架构和技术,在 Kubernetes 容器平台上快速定制化构建 AI 生产系统,并为 AI/ML 应用和系统提供全栈优化。云原生 AI 套件支持使用 Kubeflow 社区开源的命令行工具 Arena,对深度学习核心生产环节(包括数据管理、模型训练、模型评估、推理服务部署等)任务进行简单抽象和高效管理,同时降低 Kubernetes 复杂概念带来的使用复杂度。Arena 可以实现分布式训练任务的快速提交,并进行任务的生命周期管理。此外,云原生 AI 套件还提供针对分布式场景优化的调度策略,例如 Binpack 算法分配策略,提升 GPU 卡利用率,还支持自定义的任务优先级管理和租户弹性资源配额控制,在确保用户资源分配的基础上,通过资源共享的方式来提升集群的整体资源利用率。

方案介绍




Cloud Native

本文将介绍如何在阿里云 ACK 集群上,使用云原生 AI 套件集成开源推理服务框架 KServe,快速部署 NVIDIA NIM。同时,结合阿里云的 Prometheus 和 Grafana 服务,快速搭建监控大盘,实时观测推理服务状态。利用 NVIDIA NIM 提供丰富的监控指标,如 num_requests_waiting,配置推理服务弹性扩缩容策略。当有突发流量导致推理服务处理请求排队时,能自动扩容新的实例来应对高峰流量。整体解决方案架构如下所示:

NVIDIA NIM on ACK

在本文中,我们将介绍在 ACK 集群上部署 NVIDIA NIM 的步骤,总体步骤如下:
1. 创建 ACK 集群并安装云原生 AI 套件,ack-kserve 等组件。
2. 使用 Arena 提交 KServe 推理服务,使用 NIVDIA NIM 容器,部署 llama3 8B 模型。
3. 为推理服务配置监控,实时观测推理服务状态。
4. 基于排队中请求数指标配置弹性扩缩容策略,自动灵活地调整模型服务实例的规模。

部署流程




Cloud Native

首先需要创建包含 GPU 的 Kubernetes 集群[1],并部署云原生 AI 套件[2]。为了在集群中使用 KServe 管理推理服务,还需要安装 ack-kserve️[3]。集群环境准备好后,就可以参考下列步骤开始部署服务了。
? 重要:您应自觉遵守第三方模型的用户协议、使用规范和相关法律法规,并就使用第三方模型的合法性、合规性自行承担相关责任。
1. 参考 NVIDIA NIM 文档[4],生成 NVIDIA NGC API key,访问需要部署的模型镜像,比如本文中使用的 Llama3-8b-instruct。请阅读并承诺遵守 Llama 模型的自定义可商用开源协议[5]
2. 创建 imagePullSecret,用于从 NGC 私有仓库拉取 NIM 镜像。
export NGC_API_KEY=<your-ngc-api-key>kubectl create secret docker-registry ngc-secret \ --docker-server=nvcr.io\ --docker-username='$oauthtoken'\ --docker-password=${NGC_API_KEY}

3. 创建 nvidia-nim-secret,用于在容器内访问 NGC 私有仓库,参考 nim-deploy 部署文档[6]

kubectl apply -f-<<EOFapiVersion: v1kind: Secretmetadata:name: nvidia-nim-secretsstringData:NGC_API_KEY: <your-ngc-api-key>EOF
4. 为目标集群配置存储卷 PV 和存储声明 PVC,后续模型文件将会下载到创建的共享存储中。具体操作,请参见使用 NAS 静态存储卷[7]

以下为示例 PV 的配置信息:

配置项
说明
存储卷类型
NAS
名称
nim-model
访问模式
ReadWriteMany
挂载点域名
您可以通过选择挂载点或者自定义的方式定义集群载 NAS 文件系统中挂载点的挂载地址。关于如何查看挂载点地址,请参见查看挂载点地址[8]
挂载路径
指定模型所在的路径,如 /nim-model
以下为示例PVC的配置信息:
配置项
说明
存储声明类型
NAS
名称
nim-model
分配模式
选择已有存储卷
已有存储卷
单击选择已有存储卷链接,选择已创建的存储卷 PV

5. 执行下列命令,部署一个 KServe 推理服务,使用 NVIDIA NIM 提供的镜像,指定使用一个 NVIDIA GPU,将 PVC 挂载到容器内的 /mnt/models 目录用于保存模型文件,配置 autoscalerClass=external 指定使用自定义 HPA 策略,同时还开启 Prometheus 采集推理服务监控指标,用于后续在 Grafana 中搭建监控大盘。等待容器启动后,即可使用 Llama3-8b-instruct 模型提供推理服务。

arena serve kserve \--name=llama3-8b-instruct \--image=nvcr.io/nim/meta/llama3-8b-instruct:1.0.0 \--image-pull-secret=ngc-secret \--gpus=1 \--cpu=8 \--memory=32Gi \--share-memory=32Gi \--port=8000 \--security-context runAsUser=0 \--annotation=serving.kserve.io/autoscalerClass=external \--env NIM_CACHE_PATH=/mnt/models \--env-from-secret NGC_API_KEY=nvidia-nim-secrets \--enable-prometheus=true \--metrics-port=8000 \--data=nim-model:/mnt/models

预期输出:

INFO[0004] The Job llama3-8b-instruct has been submitted successfullyINFO[0004] You can run `arena serve get llama3-8b-instruct --type kserve -n default` to check the job status

输出结果表明推理服务已部署成功。


6. 推理服务部署完成后,可通过执行以下命令,查看 KServe 推理服务的部署情况。
arena serve get llama3-8b-instruct

预期输出:

Name:       llama3-8b-instructNamespace:defaultType: KServeVersion:1Desired:1Available:1Age:24mAddress:http://llama3-8b-instruct-default.example.comPort: :80GPU:1

Instances:NAME STATUS AGEREADYRESTARTSGPUNODE---- ------ -----------------------llama3-8b-instruct-predictor-545445b4bc-97qc5Running24m1/10 1ap-southeast-1.172.16.xx.xxx

输出结果表明,KServe 推理服务部署成功,模型访问地址为:

http://llama3-8b-instruct-default.example.com

7. 接下来就可以访问推理服务了,可通过使用获取到的 Nginx Ingress 网关地址访问推理服务。
# Obtain the IP address of the Nginx ingress.NGINX_INGRESS_IP=$(kubectl -n kube-system get svc nginx-ingress-lb -ojsonpath='{.status.loadBalancer.ingress[0].ip}')# Obtain the Hostname of the Inference Service.SERVICE_HOSTNAME=$(kubectl get inferenceservice llama3-8b-instruct -o jsonpath='{.status.url}' | cut -d "/" -f 3)# Send a request to access the inference service.curl -H "Host: $SERVICE_HOSTNAME" -H "Content-Type: application/json" http://$NGINX_INGRESS_IP:80/v1/chat/completions -d '{"model": "meta/llama3-8b-instruct", "messages": [{"role": "user", "content": "Once upon a time"}], "max_tokens": 64, "temperature": 0.7, "top_p": 0.9, "seed": 10}'

预期输出:

{"id":"cmpl-70af7fa8c5ba4fe7b903835e326325ce","object":"chat.completion","created":1721557865,"model":"meta/llama3-8b-instruct","choices":[{"index":0,"message":{"role":"assistant","content":"It sounds like you're about to tell a story! I'd love to hear it. Please go ahead and continue with \"Once upon a time...\""},"logprobs":null,"finish_reason":"stop","stop_reason":128009}],"usage":{"prompt_tokens":14,"total_tokens":45,"completion_tokens":31}}
输出结果表明,已经能够通过 Nginx Ingress 网关地址访问推理服务,并成功返回推理结果。

监控




Cloud Native

NVIDIA NIM 提供了丰富的 Prometheus 监控指标,比如首 token 时延、当前正在运行的请求数、请求 token 数、生成 token 数等指标。结合阿里云 Prometheus 和 Grafana 服务,可以快速在 Grafana 中搭建监控大盘,实时观测推理服务状态。

1. 已开启阿里云 Prometheus 监控组件。具体操作,请参见开启阿里云 Prometheus 监控[9]

2. 创建 grafana 工作区,登录 Grafana 的 Dashboards 页面。

3. 导入 NVIDIA NIM 提供的 dashboard 样例[10]
4. 成功导入后,dashboard 示例如下:

弹性伸缩




Cloud Native

在部署与管理 KServe 模型服务过程中,需应对模型推理服务面临的高度动态负载波动。KServe 通过集成 Kubernetes 原生的 HPA(Horizontal Pod Autoscaler)技术及扩缩容控制器,实现了根据 CPU 利用率、内存占用情况、GPU 利用率以及自定义性能指标,自动灵活地调整模型服务 Pod 的规模,以确保服务效能与稳定性。

基于排队请求数配置自定义指标的弹性扩缩容策略
自定义指标的扩缩容依赖 ACK 提供的 ack-alibaba-cloud-metrics-adapter 组件与 Kubernetes HPA 机制实现。详细信息,请参见基于阿里云 Prometheus 指标的容器水平伸缩[11]

以下示例演示如何基于 NVIDIA NIM 提供的 num_requests_waiting 指标配置扩缩容策略。

1. 已部署阿里云 Prometheus 和 ack-alibaba-cloud-metrics-adapter,请参见基于阿里云 Prometheus 指标的容器水平伸缩[11]

2. 在 Helm 列表的操作列,单击 ack-alibaba-cloud-metrics-adapter 对应的更新。在 custom 字段下添加如下 rules。
- seriesQuery: num_requests_waiting{namespace!="",pod!=""}resources:overrides:namespace: {resource: "namespace"}pod: {resource: "pod"}metricsQuery: sum(<<.Series>>{<<.LabelMatchers>>}) by (<<.GroupBy>>)
3. 通过 Custom Metrics 进行容器伸缩,示例配置了当等待中的请求数超过 10 则进行扩容。
使用以下内容,创建 hpa.yaml 文件。
apiVersion: autoscaling/v2kind: HorizontalPodAutoscalermetadata:name: llama3-8b-instruct-hpanamespace: defaultspec:# HPA的最小Pod数量和最大Pod数量。minReplicas: 1maxReplicas: 3# 监控的指标数组,支持多种类型的指标共存。metrics:- pods:metric:name: num_requests_waitingtarget:averageValue: 10type: AverageValuetype: Pods# HPA的伸缩对象描述,HPA会动态修改该对象的Pod数量。scaleTargetRef:apiVersion: apps/v1kind: Deploymentname: llama3-8b-instruct-predictor

执行以下命令,创建 HPA 应用。

kubectl apply -f hpa.yaml

执行以下命令,创建 HPA 应用。

kubectl  get hpa llama3-8b-instruct-hpa

预期输出:

NAME                     REFERENCE                                 TARGETS   MINPODS   MAXPODS   REPLICAS   AGEllama3-8b-instruct-hpa Deployment/llama3-8b-instruct-predictor 0/101 3 134s
4. 执行以下命令,对服务进行压测。
说明 Hey 压测工具的详细介绍,请参见 Hey[12]
hey -z 5m -c 400 -m POST -host $SERVICE_HOSTNAME -H "Content-Type: application/json" -d '{"model": "meta/llama3-8b-instruct", "messages": [{"role": "user", "content": "Once upon a time"}], "max_tokens": 64}' http://$NGINX_INGRESS_IP:80/v1/chat/completions

5. 在压测期间,重新打开一个终端,执行以下命令查看服务的扩缩容情况。

kubectl describe hpa llama3-8b-instruct-hpa

预期输出包含如下内容:

Events:TypeReason Age From Message---------- -------- -------NormalSuccessfulRescale52s horizontal-pod-autoscalerNew size: 3; reason: pods metric num_requests_waiting above target
预期输出表明在压测期间 Pod 数会扩容到 2,而当压测结束后,经过一段时间(约为 5 分钟),Pod 缩容到 1。即可以实现自定义指标的扩缩容。

总结




Cloud Native

本文通过在阿里云容器服务 ACK 上部署 NVIDIA NIM,结合阿里云 Prometheus 和 Grafana 服务,快速在 Grafana 中搭建监控大盘,实时观测推理服务状态。为应对模型推理服务面临的动态负载波动,基于排队中的请求数配置自定义指标的弹性扩缩容策略,使模型推理服务实例根据等待中的请求数动态扩缩容。通过以上方式,可以快速构建一个高性能、可观测、极致弹性的模型推理服务。


53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询