Gahow Wang
020a5c79a7
User pointed out the apparent paradox: in fig_b3_per_worker_ttft_p90, unified has hotspot index 3.67 while sticky has 2.73, yet unified e2e p90 is roughly half of sticky's. Resolution: hotspot index (max/median) is a *ratio* and misleading on its own. Per-worker absolute TTFT p90: sticky : median 20.3s, max 55.4s -> system e2e p90 34.6s unified: median 10.3s, max 37.7s -> system e2e p90 18.0s Mechanism: top 1% sessions own 46.5% input mass and there are more hot sessions than instances (8), so sticky's hash binding gives *every* worker its own hot session and the median worker is also slow. Unified's LMetric fallback re-routes cold/new sessions away from hot affinity instances, preserving 7/8 worker speed. System p90 is dominated by the majority of requests landing on fast workers, hence the 2x e2e gap. Changes: - Replace §3.3 figure with figs/f4c_per_worker_ttft.png (per-worker bars) instead of figs/f4c_apc_vs_hotspot_tradeoff.png (the ratio scatter) - §3.3 narrative in PAPER_OUTLINE.md and MEETING.md rewritten around absolute median + max + system e2e p90 instead of hotspot ratio - Add a §3.3 sub-finding: "hot pin failure must be measured with per-worker absolute latency, not normalized ratio" - Keep the scatter as supplementary for §5 multi-policy summary Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
128 lines
6.7 KiB
Markdown
128 lines
6.7 KiB
Markdown
# EAR — Agentic Serving Scheduler 汇报
|
||
|
||
**One-liner**：Agentic workload 的 KV reuse 93% 在 session 内，turn 间 tool-call 反馈耦合把单 request 延迟差放大成 throughput 差距 —— locality 因此是主导调度杠杆；现有 load-balance 丢 locality、static PD-disagg 撞 D 侧 KV 墙、pure sticky 造 hot pin；我们提 EAR (Elastic Affinity Router) = session-affinity routing + hot-instance 触发 session migration。
|
||
|
||
---
|
||
|
||
## 1. 关键洞察：Dispatch Coupling
|
||
|
||
Chatbot：turn 间有人类 think-time，系统快慢 ⊥ 下一 turn 到达率。
|
||
Agentic：turn 间只有 tool-call 返回 (≈0)，**系统跑慢 → session 停留长 → 并发多 → KV pool 紧 → 更慢**。
|
||
|
||
Little's Law 隐式方程：
|
||
|
||
```
|
||
L = Λ · N · W_turn(L) # agentic, T_human≈0
|
||
```
|
||
|
||
小扰动分析：amplification = `1 / (1 − Λ·N·W'(L*))`，系统接近 KV 饱和时发散。
|
||
|
||
**实测**：lmetric 跑 600s trace 用 49 min wall-clock = **8x amplification**。同硬件 unified 比 lmetric session 清空速度 ~3x。**per-turn W 的小差异被放大成 wall-clock 数量级差距** —— 这意味着 locality 不是 nice-to-have，是 dominant lever。
|
||
|
||
---
|
||
|
||
## 2. Workload 实证（三件事）
|
||
|
||
| | 数据 | 图 |
|
||
|---|---|---|
|
||
| KV reuse 几乎只在 session 内 | intra 93.2% / cross 5.7% / shared 1.1% |  |
|
||
| Session 极度偏斜 | top 1% = 46.5% input mass |  |
|
||
| 单请求 KV footprint 已经很大 | p99 = 11.8 GiB ≈ H20 12% |  |
|
||
|
||
理论 APC 上界 = intra-session 79.6% / any-session 80.3%，差 <1pp。**任何不 affinity 的调度都丢绝大部分 reuse。**
|
||
|
||
---
|
||
|
||
## 3. 现有调度的三种失败模式
|
||
|
||
### Load-balanced (LMetric / round-robin / kv-aware)：丢 locality
|
||
|
||
|
||
|
||
LMetric 56.9%、load_only 54.1%、capped 31.6% APC，远低于 79.6% 上界。23pp 缺口直接来自跨 instance 路由丢的 intra-session hit。
|
||
|
||
### 静态 PD-disagg：D 侧 KV 容量墙
|
||
|
||
|
||
|
||
agentic 平均请求 33.6k token 需 3.3GB KV；4P+4D / 6P+2D 在 agentic regime 都穿过 90% 内存墙。**TTFT p50 暴涨 62-72x，成功率 99.5% → 52-68%**。
|
||
|
||
### Pure sticky：全员被 hot session 拖累
|
||
|
||
|
||
|
||
注意 hotspot index（max/median 比值）单独看会误导：sticky 的 hotspot=2.73 比 unified 的 3.67 *低*，但**绝对值**告诉我们 sticky 是"全员一起慢"，unified 是"一个 worker 牺牲、其他 7 个快"：
|
||
|
||
| | median worker TTFT p90 | max worker | system e2e p90 |
|
||
|---|---:|---:|---:|
|
||
| sticky | **20.3s** | 55.4s | **34.6s** |
|
||
| unified | **10.3s** | 37.7s | **18.0s** |
|
||
|
||
机制：top 1% 的 session 占 46.5% input 量、且 hot session 数量多于 instance 数（8 个），sticky 的 hash 绑定让 **每个 worker 都自己承接一份 hot session**，median worker 也被拖慢。Unified 用 LMetric fallback 把 cold/new session 重路由到非 hot worker，保留 7/8 worker 的速度。系统 p90 由大多数请求决定，所以 unified 几乎 2x 快。
|
||
|
||
---
|
||
|
||
## 4. EAR 设计
|
||
|
||
两个 pillar，所有 instance 对称 PD-colocated（无静态 P/D 分区）：
|
||
|
||
**Pillar 1 — Affinity-default routing（已实现）**
|
||
新 session 用 load-balance 分配 host；后续 turn 按 session→host binding 路由。
|
||
→ 这就是当前 `unified` 算法（hybrid LMetric + high-cache affinity），APC 79.4%，达到上界 97%。
|
||
|
||
**Pillar 2 — Hot-triggered session migration（end-to-end 实证待补，substrate 已验证）**
|
||
当 host 的 `pending_prefill_tokens > T_hot`，把整个 session 的 KV 通过 mooncake `kv_connector` migrate 到更轻 instance；session binding 更新；后续 turn 路由到新 host。
|
||
|
||
> 🆕 **2026-05-27 数据**（commit `ef9e010`）：之前认为是 migration blocker 的 `kv_both` substrate overhead 已经不存在。在 8×TP1 trace replay 上 A/B/C 对比：
|
||
> - plain unified: TTFT p90 = 11.97s
|
||
> - unified + `kv_both`（未 DR-fix）: 9.74s（**−18.6%** vs plain）
|
||
> - unified + `kv_both` + DR-fix: 7.58s（**−36.6%** vs plain）
|
||
>
|
||
> 即原 elastic_migration_v2 论文里 "+45% kv_both penalty" 已 obsolete；当前 substrate 是 **net positive**（connector mode 的 `delay_free_blocks=True` 在 93% intra-session-reuse trace 上把跨 turn cache hit 窗口拉长）。Migration 之前 4 次 revert 的主因消失。
|
||
|
||
关键 design：
|
||
- Target 选择用 **observable pending prefill tokens**，**不用** cost-model prediction（实测 mooncake cost model 误差 10-21x，绕过）
|
||
- Per-session cooldown 防 thrashing
|
||
- 若无候选 instance 能装下 session context → 保留当前 binding，opportunistic 不 mandatory
|
||
|
||
---
|
||
|
||
## 5. 进展 & TODO
|
||
|
||
### ✅ 已完成
|
||
|
||
- Workload characterization 三件事的实证齐全（`f2a/b/c`）
|
||
- 三类 baseline 失败的实证齐全（`f4a/b/c/d`）
|
||
- Anchor + paper outline（`PAPER_OUTLINE.md`）
|
||
- Pillar 1 affinity routing 已实现并测过（current `unified` 算法）
|
||
- Dispatch coupling 的 Little's Law 形式化推导
|
||
- `replayer/replay.py` patched 输出 `amplification`
|
||
- 🆕 **kv_both substrate validation**（commit `ef9e010`）：trace replay A/B/C 证明 substrate 已经是 net positive（TTFT p90 −18.6% / DR-fix 后 −36.6% vs plain），原 +45% penalty obsolete
|
||
|
||
### 🟢 不依赖 migration 可以现在做
|
||
|
||
1. **5 baseline × 3 runs wall-clock sweep**（patched replayer 直接出 amplification 字段）— §2.3 的实证 closure，**最高优先级**，一晚能跑完
|
||
2. Static PD-disagg 补进 end-to-end 表
|
||
3. λ / skew / KV pool 三轴 sensitivity
|
||
4. Draft §1-§4 正文（数据已齐）
|
||
|
||
### 🚧 待 migration end-to-end validation
|
||
|
||
- §4.3 migration mechanism 的 e2e trigger + target selection 实验（substrate 已通，只缺策略层）
|
||
- Full ablation（migration-only + both）
|
||
- §5.6 migration microbench
|
||
|
||
### 风险
|
||
|
||
- Migration 之前 4 次尝试（`6b255fa`, `e991960/5772149`, `cc6e562`, `4c583f2`）都被 transfer overhead 吞掉而 revert —— **该 overhead 已在 2026-05-27 验证不再存在**（substrate net positive）
|
||
- 仍未直接验证 e2e migration 策略层（trigger + target 选择）能在反馈环里产生正收益；中间还有"决策错误 + cooldown thrashing"两类风险，独立于 substrate
|
||
- 即便 migration e2e 仍 marginal，affinity-only pillar 的实证已经独立成立，paper 至少有 strong-affinity 的 storyline 可写
|
||
|
||
---
|
||
|
||
## 6. 一句话总结要 sell 的事
|
||
|
||
> **Agentic 让 locality 从 nice-to-have 变成 dominant lever（dispatch coupling 论证）；EAR 用 affinity-default + hot-triggered migration 单一方案同时拿到 locality 和 balance。Pillar 1 已实证（APC 79.4%）；Pillar 2 design 完整、validation pending in DR-fix 之上的重测。**
|
||
|
||
下一步主战场：跑 wall-clock sweep 把 §2.3 dispatch coupling 论证钉死。
|