KunServe: Elastic and Efficient Large Language Model Serving with Parameter-centric Memory

本文是LLM系列文章，针对《KunServe: Elastic and Efficient Large Language Model Serving with Parameter-centric Memory Management》的翻译。

摘要

大型语言模型（LLM）服务的有状态特性可以在负载突发或长时间生成请求（如思维链推理）下轻松限制宝贵的GPU内存，从而由于排队传入请求而导致延迟尖峰。然而，最先进的以KVCache为中心的方法通过丢弃、迁移或交换KVCache来处理负载尖峰，这面临着正在进行的请求与传入请求的性能之间的重要权衡，因此仍然严重违反了SLO。本文进行了一项关键观察，即模型参数独立于请求，并在GPU上复制，因此提出了一种以参数为中心的方法，通过选择性地丢弃复制的参数，为请求留下宝贵的内存。然而，LLM要求KVCache与模型参数绑定保存，因此丢弃参数可能会导致巨大的计算浪费或长时间的网络延迟，影响所有正在进行的请求。基于注意算子可以与其他算子解耦的观察，本文进一步提出了一种通过流水线并行的新型远程注意机制，以便利用从远程GPU上的参数借用的额外内存来服务即将到来的请求。本文进一步解决了其他几个挑战，包括用不完整的参数生动地交换KVCache，生成一个平衡内存需求和协作执行开销的适当计划，以及在节流结束时无缝恢复参数。评估表明，与最先进