Gahow Wang
e4fa56cb1e
Implement LMetric (P_tokens × BS multiplication score) from "Simple is
Better" (Zhang et al., OSDI'26) as alternative routing policy for
combined mode. Key changes:
- cache_aware_proxy.py: add --policy {linear,lmetric} flag, track
pending_prefill_tokens and num_requests per instance, /stats endpoint
- run_lmetric_ab.sh: automated A/B script for fair comparison
Results (200 req, fresh restart, same trace):
Linear: TTFT50=1.086 TPOT90=0.077 E2E50=5.423
LMetric: TTFT50=1.099 TPOT90=0.073 E2E50=5.205
Delta: TTFT +1.2% TPOT -5.9% E2E -4.0%
LMetric improves TPOT/E2E modestly through better load balancing, but
routing policy headroom is limited vs elastic P2P offload (-44% E2E).
TODO: vLLM → Redis → router pipeline for exact state ablation.
Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
31 lines
2.0 KiB
Markdown
31 lines
2.0 KiB
Markdown
实验 setup：
|
||
|
||
GPU 机器：dash0，是 8*H20 的机器，可以直接 `ssh dash0` 进行连接访问
|
||
|
||
推理引擎：基于 vllm 0.18.1，self build，支持后续 patch 放在 git 中维护
|
||
|
||
模型：`~/models/Qwen/Qwen3-Coder-30B-A3B-Instruct`
|
||
|
||
推理 trace：原始完整 2h trace 在 dash0 的 `~/ali-trace/trace-glm5.1-formatted/051315-051317.jsonl`
|
||
|
||
|
||
|
||
性能指标：每个请求的 TTFT/TPOT/E2E/TBT，prefix KVCache hit ratio
|
||
|
||
|
||
|
||
目标：
|
||
|
||
1. 先实现标准的 trace-sampler，将 cluster 规模的原始 trace，sample 到合适当前机器数量的规模来跑，保持一份统一的 sample 后的 trace file 作为输入
|
||
2. 实现标准的 trace replayer，保证能够体现线上流量的流量到来特征，KVCache 重用特征等
|
||
3. 跑通 PD 分离，确认 PD 分离能够比普通的 PD 混合一起跑的性能要好，给出两者详细的性能对比以及原因分析
|
||
4. 判断 trace 的 pattern，是否有必要 PD 完全混合或者 PD 分离
|
||
5. 参考本地的 `~/phd/agentic-pd-hybrid`，判断是否能够实现一套 prefill-as-a-service 的架构，把重的 prefill 交给 prefill service，prefill service 能够从本地 GPU/DRAM/别的 GPU 机器上 pull KVCache，提高本地的 prefix KVCache hit ratio，不影响 decoding 的 prefill，就可以交给过去 PD 分离定义中 D-node 来做，提高 KVCache 命中率
|
||
6. [TODO] Router 侧状态精确性 ablation：当前 router 自己维护 shadow state（ongoing_tokens, pending_prefill_tokens, cached_blocks 等），与 vLLM 引擎内部真实状态可能存在 gap（尤其是 cache eviction 导致的 APC 偏差）。需要：
|
||
- 修改 vLLM，让每个 instance 定期把内部状态（waiting queue depth, running batch size, KV cache usage, actual prefix cache hit blocks）写入 Redis
|
||
- Router 从 Redis 读取精确状态，替代当前的 proxy-side 近似
|
||
- 对比 proxy shadow state vs Redis exact state 的 routing 决策差异和最终性能差异
|
||
- 量化 gap 大小：哪些指标差距最大？是否影响实际 routing 质量？
|
||
|
||
|