222 lines
8.4 KiB
Markdown
222 lines
8.4 KiB
Markdown
# KV-cache centric P/D routing 当前进展
|
||
|
||
本文记录当前原型在 SGLang xPyD 上围绕 session-aware / KV-cache-aware P/D routing 的实现、实验结果和阶段性结论。实验日期为 2026-04-24 至 2026-04-25。
|
||
|
||
## 目标和核心假设
|
||
|
||
目标是在单机 8 GPU xPyD 环境中验证：针对 agentic coding workload，session-aware / KV-cache-aware P/D routing 是否能提升端到端延迟。
|
||
|
||
当前重点假设：
|
||
|
||
1. 在 PD-disaggregation 下，P 节点和 D 节点可能同时保留同一个 session 的 prefix KV，形成 P/D duplicate。
|
||
2. 如果预测某个 session 后续会 direct-to-D，那么 P 侧在 radix/prefix cache eviction 时可以优先淘汰这部分 prefix cache。
|
||
3. 这样可以给 P 节点释放 cache 空间，提高 P 侧 prefix cache reuse。
|
||
4. 如果 P 侧 reuse 提升后 D 侧开始成为瓶颈，可以通过增加 xPyD 中 D 的配比，也就是增加 y，缓解 decode 侧压力。
|
||
|
||
实验结果表明：第 2、3 点在 P cache 高压 workload 下成立；第 4 点只部分成立，因为瓶颈会从 decode prealloc 转移到 P->D transfer/bootstrap pipeline。
|
||
|
||
## 已实现机制
|
||
|
||
### 1. Trace profile 和 paired comparison
|
||
|
||
新增 `agentic_pd_hybrid profile` 子命令和 `src/agentic_pd_hybrid/profile.py`。
|
||
|
||
能力：
|
||
|
||
- 统计 trace 的 session 数、turn2+ 数、append tokens、overlap ratio、direct-to-D eligible turn。
|
||
- 对比 baseline/candidate metrics，输出 paired E2E latency delta。
|
||
- 用于解释 micro-benchmark 与 Ali filtered workload 的差异。
|
||
|
||
### 2. P 侧 priority eviction 支持
|
||
|
||
修改 SGLang server args，允许：
|
||
|
||
```bash
|
||
--radix-eviction-policy priority
|
||
```
|
||
|
||
router/replay 支持内部字段：
|
||
|
||
- `smg_prefill_priority`
|
||
- `smg_decode_priority`
|
||
|
||
router 会将内部字段剥离，只把标准 `priority` 分别传给 P/D backend。这样可以让 direct-to-D predicted session 在 P 侧使用更低优先级，例如 `-100`，普通请求使用 `100`。
|
||
|
||
### 3. Kvcache seed/direct admission 控制
|
||
|
||
新增多种 seed/reseed 过滤：
|
||
|
||
- `kvcache_seed_max_resident_tokens`
|
||
- `kvcache_seed_max_output_tokens`
|
||
- `kvcache_seed_min_turn_id`
|
||
- `kvcache_seed_only_multiturn_sessions`
|
||
- `kvcache_seed_max_inflight_decode`
|
||
|
||
新增 P streaming session backup 策略：
|
||
|
||
- `release-after-transfer`：P->D transfer 后释放 P 侧 session backup。
|
||
- `capacity-backup`：容量允许时保留 P 侧 backup。
|
||
|
||
当前主实验使用 `release-after-transfer`。
|
||
|
||
### 4. 稳定性修复
|
||
|
||
之前 worker-admission 实验会在 replay 尾部卡住，不写出 metrics。原因是 benchmark 的长 `timeout_s=3600` 同时用于：
|
||
|
||
- SGLang stack 启动等待
|
||
- replay client 单请求
|
||
- router 到 P/D backend 的单请求
|
||
|
||
修复后新增：
|
||
|
||
- `BenchmarkConfig.request_timeout_s`
|
||
- CLI `benchmark-live --request-timeout-s`
|
||
- launch plan `router_request_timeout_s`
|
||
|
||
当前做法：
|
||
|
||
- `timeout_s=3600` 继续用于 SGLang 启动和整体 stack 等待。
|
||
- `request_timeout_s=180` 用于 replay client 和 router 到 P/D backend 的单请求。
|
||
- control-plane probe/open/close session 使用 2s timeout，fail closed。
|
||
|
||
修复效果：worker-admission 从“尾部卡死不落盘”变为“卡住请求记录为 ReadTimeout，整轮实验完成并写 metrics”。
|
||
|
||
## 关键实验结果
|
||
|
||
### P cache pressure 下 priority eviction 是否提升 P 侧 reuse
|
||
|
||
配置：2P2D，P `--max-total-tokens 90000`，micro workload 316 requests / 58 sessions。
|
||
|
||
| 配置 | ok/total | mean E2E | p99 | request cached tokens | P log cached tokens | P new-token total |
|
||
|---|---:|---:|---:|---:|---:|---:|
|
||
| LRU | 314/316 | 28.171s | 43.409s | 8.204M | 7.783M | 2.236M |
|
||
| Priority | 314/316 | 28.165s | 41.935s | 8.401M | 7.981M | 2.039M |
|
||
|
||
结论：
|
||
|
||
- 在 P cache eviction 高频触发时，priority eviction 确实提高 P 侧 prefix reuse。
|
||
- cached tokens 增加约 197k，new prefill tokens 减少约 197k。
|
||
- 但 mean E2E 基本不变，说明性能瓶颈转移到 D decode/transfer。
|
||
|
||
### 增加 D 配比前的 D 侧瓶颈证据
|
||
|
||
2P2D priority pressure 下：
|
||
|
||
- decode `#queue-req`：max/mean/p90 = 0/0/0
|
||
- decode token usage：max 0.98，mean 0.842，p90 0.96
|
||
- decode `#transfer-req`：max 7，mean 4.61，p90 7
|
||
- decode `#prealloc-req`：max 21，mean 11.6，p90 21
|
||
|
||
解释：
|
||
|
||
- D 侧不是普通 waiting queue 堆积。
|
||
- 真正压力在 token usage、transfer queue 和 prealloc queue。
|
||
|
||
### D scaling：router admission 旧结果
|
||
|
||
| 配置 | ok/total | mean | p50 | p90 | p99 | error |
|
||
|---|---:|---:|---:|---:|---:|---:|
|
||
| 2P2D | 314/316 | 28.165s | 30.576s | 38.267s | 41.935s | 2 |
|
||
| 2P3D | 290/316 | 29.915s | 31.428s | 40.856s | 45.964s | 26 |
|
||
| 2P4D | 285/316 | 30.566s | 32.823s | 40.566s | 44.838s | 31 |
|
||
|
||
结论：
|
||
|
||
- 直接增加 D 不稳定。
|
||
- 2P3D/2P4D 的错误主要来自 `kvcache-centric` seed/direct 路径。
|
||
- 日志显示 decode 侧出现 `WaitingForInput` timeout 和 `KVTransferError`。
|
||
|
||
### D scaling：worker admission + request timeout 修复后
|
||
|
||
配置：P `--max-total-tokens 90000`，priority eviction，worker admission，`request_timeout_s=180`。
|
||
|
||
| 配置 | ok/total | mean | p50 | p90 | p99 | error |
|
||
|---|---:|---:|---:|---:|---:|---:|
|
||
| 2P2D | 313/316 | 29.838s | 30.742s | 39.641s | 52.506s | 3 |
|
||
| 2P3D | 299/316 | 29.349s | 30.569s | 42.161s | 46.113s | 17 |
|
||
| 2P4D | 312/316 | 26.442s | 27.759s | 38.197s | 47.970s | 4 |
|
||
|
||
对应 decode log 摘要：
|
||
|
||
| 配置 | decode usage mean | decode transfer mean | decode prealloc mean |
|
||
|---|---:|---:|---:|
|
||
| 2P2D | 0.859 | 4.86 | 11.3 |
|
||
| 2P3D | 0.877 | 5.70 | 6.92 |
|
||
| 2P4D | 0.809 | 5.31 | 3.46 |
|
||
|
||
结论：
|
||
|
||
- 2P4D + worker admission + request timeout 是当前最好的 D scaling 配置。
|
||
- 相比旧 2P4D，成功率从 285/316 提升到 312/316，mean 从 30.566s 降到 26.442s。
|
||
- 但 p99 仍未稳定改善，tail 仍由 P->D transfer/bootstrap timeout 主导。
|
||
- 2P3D 不稳定，错误 17 个，不适合作为当前推荐配置。
|
||
|
||
## Ali filtered 当前状态
|
||
|
||
Ali filtered small-append trace：
|
||
|
||
- 81 requests
|
||
- 28 sessions
|
||
- 53 turn2+
|
||
- max input 18901
|
||
- max output 1925
|
||
- span 5414s
|
||
|
||
PD baseline：
|
||
|
||
- ok 81/81
|
||
- mean 9.072s
|
||
- p50 7.086s
|
||
- p90 21.761s
|
||
- p99 26.813s
|
||
|
||
Kvcache-centric 在 Ali filtered 上曾出现 58-67 个 router 200 后挂住、无 metrics 的问题。当前 request timeout 和 control-plane timeout 修复后，应重新跑 Ali filtered；在未重跑前，不把 Ali filtered 纳入最终性能结论。
|
||
|
||
## 当前结论
|
||
|
||
1. kvcache centric 可以提高 KV reuse，但需要满足 workload 条件：
|
||
- session 有多 turn；
|
||
- turn2+ append 较小；
|
||
- prefix overlap 高；
|
||
- P 侧 cache 有 eviction pressure；
|
||
- D 侧 seed/direct admission 不把 transfer pipeline 打爆。
|
||
|
||
2. 不适合的 workload：
|
||
- 单 turn 或 session 间隔过长；
|
||
- turn2+ append 很大，direct-to-D 不能省掉多少 prefill；
|
||
- prefix overlap 低；
|
||
- P cache 没有 eviction pressure；
|
||
- D transfer/prealloc 已经高压。
|
||
|
||
3. 用户关于 P/D duplicate 的假设部分成立：
|
||
- 如果 D session 已经 resident，P 侧对应 streaming session backup 可以视为 duplicate。
|
||
- `release-after-transfer` 可以避免长期保留 P/D 两份 session KV。
|
||
- priority eviction 进一步让 P 在必须 eviction 时优先淘汰 direct-to-D predicted session prefix。
|
||
|
||
4. 但当前机制还没有完全解决性能问题：
|
||
- P 侧 reuse 提升后，E2E 不一定改善。
|
||
- 主要原因是 D 侧 transfer/bootstrap pipeline 成为瓶颈。
|
||
- 增加 D 可以降低 prealloc，但不能自动降低 transfer backlog。
|
||
|
||
## 下一步优化方向
|
||
|
||
1. transfer-aware admission：
|
||
- seed/direct 不只看 D token capacity，也要看 `decode_transfer_queue_reqs`、`decode_prealloc_queue_reqs`、`decode_retracted_queue_reqs`。
|
||
- 当 transfer queue 高时，应该主动走 PD fallback。
|
||
|
||
2. per-D transfer budget：
|
||
- 对每个 D 设置 seed/reseed 并发上限。
|
||
- 不能只按 session residency 或 token headroom 判断。
|
||
|
||
3. P/D ratio 联合调度：
|
||
- 2P4D 当前最好，但 P queue 也随 D 增加而上升。
|
||
- 后续需要测试 3P3D、3P4D、4P4D 等组合，确认 P transfer source 是否成为瓶颈。
|
||
|
||
4. Ali filtered 重跑：
|
||
- 使用 request timeout 修复后的版本重新跑 Ali filtered。
|
||
- 如果仍然没有收益，需要按 session gap、append size、overlap ratio 分桶分析。
|
||
|
||
5. 更严格的成功率指标：
|
||
- 当前不能只看成功请求的 mean/p90。
|
||
- 必须同时报告 ok/total、timeout/error 类型和 tail latency。
|