Gahow Wang
cef914ecd4
Why the LMetric → load_only APC gap is only +3.3pp despite LMetric explicitly being "cache-aware load routing": P = pending_prefill_tokens + (input_length - cache_hit) score = P × num_requests <-- multiplicative cache_hit appears only as a reduction inside P. Because score is multiplicative in num_requests, a session-affinity instance whose num_requests has climbed will lose argmin to a cold instance even when cache_hit on the warm one is ~90%. Worked example: warm: P=2500, num_req=5 -> score 12500 cold: P=10000, num_req=1 -> score 10000 <-- LMetric picks cold load_only 53.9% APC (pure num_requests) LMetric 57.2% +3.3pp (cache as additive cost term) sticky 77.7% +23.8pp (cache as hard constraint) unified 78.7% +24.8pp (cache as hard+soft hybrid) Lesson worth stating explicitly in §3.1: cache awareness folded into a multiplicative load cost-model is structurally insufficient. Affinity must be a separate routing branch (sticky / unified hybrid), not a correction term inside a load score. PAPER_OUTLINE.md §3.1 gets the design analysis + the new APC table; MEETING.md gets a one-paragraph version of the same point. Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
130 lines
7.6 KiB
Markdown
130 lines
7.6 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 | production trace 上 top 1% / 5% / 10% / 25% / 50% = **46.5% / 66.5% / 74.6% / 87.5% / 96.0%** input mass |  |
|
||
| 单请求 KV footprint 大，单 instance KV pool 很快被占满 | per-instance KV pool ≈ **38 GiB**（0.4 × 96 GiB H20，剩 50% params + 10% activation）；p99 req 11.5 GiB → 一个 instance 只装 **3 个 p99 decode**；4P+4D 让系统 decode 容量直接减半 |  |
|
||
|
||
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% APC，远低于 79.6% 上界。23pp 缺口直接来自跨 instance 路由丢的 intra-session hit。
|
||
|
||
注意 LMetric 比 load_only 只好 **+3.3pp**：LMetric 的 score = `(pending_prefill + input − cache_hit) × num_requests`，cache_hit 只作 cost-model 减项，但 score 是**乘性**的 —— 一个有 affinity 的 instance 因 num_requests 高被乘式吃掉 cache 收益，LMetric 仍然会选冷 instance。sticky 把 cache 作硬约束直接拉到 77.2%。**结论：cache-aware-load routing 不够 —— affinity 必须是独立路由路径，不能折叠进 load cost 里**。
|
||
|
||
### 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
|
||
|
||
|
||
|
||
我们刻意 **用 (median, max) 两个绝对数**衡量 worker 不平衡，不用 `max/median` 单一比值 —— 比值会把 unified（一个 worker 牺牲、其他 7 个快）算成比 sticky（全员一起慢）更不平衡，与系统 e2e p90 实际排序反向。下面是绝对数：
|
||
|
||
| | 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：production trace 上 top 1% 的 session 占 46.5% input 量、且 hot session 数量远多于 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。
|