Skip to content

Disaggregated.md

Latest commit

 

History

History
253 lines (198 loc) · 9.74 KB

Disaggregated.md

File metadata and controls

253 lines (198 loc) · 9.74 KB

English

PD分离部署最佳实践

本文档详细介绍 FastDeploy 的 PD（Prefill-Decode）分离式部署方案，涵盖单机部署与跨机部署两种模式，支持张量并行（TP）、数据并行（DP）和专家并行（EP）。

一、部署方案概览与环境准备

本文以 ERNIE-4.5-300B-A47B-Paddle 模型为例进行部署实践，硬件环境采用 H100 80GB GPU。下面例举了不同部署模式下的最小 GPU 卡数需求：

单机部署（8卡单节点）

配置方案 TP DP EP 所需卡数
P：TP4DP1
D：TP4DP1		 4 1 - 8
P：TP1DP4EP4
D：TP1DP4EP4		 1 4 ✓ 8

多机部署（16卡跨节点）

配置方案 TP DP EP 所需卡数
P：TP8DP1
D：TP8DP1		 8 1 - 16
P：TP4DP2
D：TP4DP2		 4 2 - 16
P：TP1DP8EP8
D：TP1DP8EP8		 1 8 ✓ 16

重要说明：

  1. 量化精度：以上所有配置均采用 WINT4 量化，通过 --quantization wint4 参数指定
  2. EP 限制：开启专家并行（EP）后，当前仅支持 TP=1，暂不支持多 TP 场景
  3. 跨机网络：跨机部署依赖 RDMA 网络实现 KV Cache 的高速传输
  4. 卡数计算：总卡数 = TP × DP × 2（Prefill 实例与 Decode 实例配置相同）
  5. CUDA Graph 捕获：Decode 实例默认启用 CUDA Graph 捕获以加速推理，Prefill 实例默认不启用

1.1 安装 FastDeploy

请参考 FastDeploy 安装指南 完成环境搭建。

模型下载请参考 支持模型列表。

1.2 部署拓扑结构

单机部署拓扑

┌──────────────────────────────┐
│  单机 8×H100 80GB             │
│  ┌──────────────┐            │
│  │  Router      │            │
│  │  0.0.0.0:8109│            │
│  └──────────────┘            │
│         │                    │
│    ┌────┴────┐               │
│    ▼         ▼               │
│ ┌─────────┐  ┌─────────┐     │
│ │Prefill  │  │Decode   │     │
│ │GPU 0-3  │  │GPU 4-7  │     │
│ └─────────┘  └─────────┘     │
└──────────────────────────────┘

跨机部署拓扑

┌─────────────────────┐                      ┌─────────────────────┐
│   Prefill Machine   │      RDMA Network    │   Decode Machine    │
│   8×H100 80GB       │◄────────────────────►│   8×H100 80GB       │
│                     │                      │                     │
│  ┌──────────────┐   │                      │                     │
│  │  Router      │   │                      │                     │
│  │ 0.0.0.0:8109 │───┼──────────────────────┼──────────           │
│  └──────────────┘   │                      │         │           │
│         │           │                      │         │           │
│         ▼           │                      │         ▼           │
│  ┌──────────────┐   │                      │  ┌──────────────┐   │
│  │Prefill Nodes │   │                      │  │Decode Nodes  │   │
│  │GPU 0-7       │   │                      │  │GPU 0-7       │   │
│  └──────────────┘   │                      │  └──────────────┘   │
└─────────────────────┘                      └─────────────────────┘

二、单机 PD 分离部署

2.1 测试场景与并行度配置

本节演示的测试场景为 P：TP4DP1｜D：TP4DP1 配置：

  • 张量并行度（TP）：4 —— 每4张 GPU 独立加载完整模型参数
  • 数据并行度（DP）：1 —— 每张 GPU 组成一个数据并行组
  • 专家并行（EP）：不启用

若需测试其他并行度配置，请按以下方式调整参数：

  1. TP 调整：修改 --tensor-parallel-size
  2. DP 调整：修改 --data-parallel-size，同时确保 --ports 和 --num-servers 与 DP 保持一致
  3. EP 开关：添加或移除 --enable-expert-parallel
  4. GPU 分配：通过 CUDA_VISIBLE_DEVICES 控制 Prefill 和 Decode 实例使用的 GPU

2.2 启动脚本

启动 Router

python -m fastdeploy.router.launch \
    --port 8109 \
    --splitwise

注意：这里使用的是python版本router，如果有需要也可以使用高性能的Golang版本router

启动 Prefill 节点

export CUDA_VISIBLE_DEVICES=0,1,2,3

python -m fastdeploy.entrypoints.openai.api_server \
    --model /path/to/ERNIE-4.5-300B-A47B-Paddle \
    --port 8188 \
    --splitwise-role "prefill" \
    --cache-transfer-protocol "rdma,ipc" \
    --router "0.0.0.0:8109" \
    --quantization wint4 \
    --tensor-parallel-size 4 \
    --data-parallel-size 1 \
    --max-model-len 8192 \
    --max-num-seqs 64

启动 Decode 节点

export CUDA_VISIBLE_DEVICES=4,5,6,7

python -m fastdeploy.entrypoints.openai.multi_api_server \
    --model /path/to/ERNIE-4.5-300B-A47B-Paddle \
    --ports 8200,8201 \
    --splitwise-role "decode" \
    --cache-transfer-protocol "rdma,ipc" \
    --router "0.0.0.0:8109" \
    --quantization wint4 \
    --tensor-parallel-size 2 \
    --data-parallel-size 2 \
    --max-model-len 8192 \
    --max-num-seqs 64

2.3 关键参数说明

参数 说明
--splitwise 开启 PD 分离模式
--splitwise-role 节点角色：prefill 或 decode
--cache-transfer-protocol KV Cache 传输协议：rdma 或 ipc
--router Router 服务地址
--quantization 量化策略（wint4/wint8/fp8 等）
--tensor-parallel-size 张量并行度（TP）
--data-parallel-size 数据并行度（DP）
--max-model-len 最大序列长度
--max-num-seqs 最大并发序列数
--num-gpu-blocks-override GPU KV Cache 块数量覆盖值

三、跨机 PD 分离部署

3.1 部署原理

跨机 PD 分离将 Prefill 和 Decode 实例部署在不同物理机器上：

  • Prefill 机器：运行 Router 和 Prefill 节点，负责处理输入序列的预填充计算
  • Decode 机器：运行 Decode 节点，通过 RDMA 网络与 Prefill 机器通信，负责自回归解码生成

3.2 测试场景与并行度配置

本章节演示的测试场景为 P：TP1DP8EP8 ｜ D：P：TP1DP8EP8 跨机配置（共 16 张 GPU）：

  • 张量并行度（TP）：1
  • 数据并行度（DP）：8 —— 每机 8 张 GPU，共 8 个 Prefill 实例和 8 个 Decode 实例
  • 专家并行（EP）：启用—— MoE 层的共享专家分布在8张 GPU 上并行计算

若需测试其他跨机并行度配置，请按以下方法调整参数：

  1. 机器间通信：确保两机之间 RDMA 网络连通，Prefill 机器需配置 KVCACHE_RDMA_NICS 环境变量
  2. Router 地址：Decode 机器的 --router 参数需指向 Prefill 机器的实际 IP 地址
  3. 端口配置：--ports 列表的端口数量必须与 --num-servers 和 --data-parallel-size 保持一致
  4. GPU 可见性：每机通过 CUDA_VISIBLE_DEVICES 指定本机使用的 GPU

3.3 Prefill 机器启动脚本

启动 Router

unset http_proxy && unset https_proxy

python -m fastdeploy.router.launch \
    --port 8109 \
    --splitwise

启动 Prefill 节点

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7

python -m fastdeploy.entrypoints.openai.multi_api_server \
    --ports 8198,8199,8200,8201,8202,8203,8204,8205 \
    --num-servers 8 \
    --args --model /path/to/ERNIE-4.5-300B-A47B-Paddle \
    --splitwise-role "prefill" \
    --cache-transfer-protocol "rdma,ipc" \
    --router "<ROUTER_MACHINE_IP>:8109" \
    --quantization wint4 \
    --tensor-parallel-size 1 \
    --data-parallel-size 8 \
    --enable-expert-parallel \
    --max-model-len 8192 \
    --max-num-seqs 64

3.4 Decode 机器启动脚本

启动 Decode 节点

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7

python -m fastdeploy.entrypoints.openai.multi_api_server \
    --ports 8198,8199,8200,8201,8202,8203,8204,8205 \
    --num-servers 8 \
    --args --model /path/to/ERNIE-4.5-300B-A47B-Paddle \
    --splitwise-role "decode" \
    --cache-transfer-protocol "rdma,ipc" \
    --router "<PREFILL_MACHINE_IP>:8109" \
    --quantization wint4 \
    --tensor-parallel-size 1 \
    --data-parallel-size 8 \
    --enable-expert-parallel \
    --max-model-len 8192 \
    --max-num-seqs 64

注意：请将 <PREFILL_MACHINE_IP> 替换为 Prefill 机器的实际 IP 地址。

四、发送测试请求

curl -X POST "http://localhost:8109/v1/chat/completions" \
-H "Content-Type: application/json" \
-d '{
  "messages": [
    {"role": "user", "content": "你好，请介绍一下自己。"}
  ],
  "max_tokens": 100,
  "stream": false
}'

五、常见问题 FAQ

如果您在使用过程中遇到问题，可以在 FAQ 中查阅解决方案。