全局多级KV Cache¶

背景¶

大型语言模型（LLM）解码阶段因自回归生成需频繁访问历史KV缓存，导致显存带宽成为瓶颈。随着模型规模与上下文窗口扩大（如128K Token消耗超40GB显存），单卡显存压力剧增。现有方案（如vLLM）在长上下文场景下存在明显局限：预填充耗时激增、解码阶段显存带宽争抢严重，为满足SLO（TTFT<2s, TBT<100ms）常需过量预留资源，致使GPU利用率不足40%，且难以利用跨服务器资源。为此，我们提出分布式全局多级KV缓存管理系统，采用存算一体架构以突破单机资源限制。

功能介绍¶

xLLM 全局KV Cache功能主要通过以下三个模块实现： - etcd: 集群服务注册、负载信息同步及全局缓存状态管理 - xLLM Service: 调度请求和管理所有计算实例 - xLLM: 请求计算实例

整体架构图如下：

功能使用示例¶

使用准备¶

安装相关依赖¶

• xLLM: 参见快速开始
• xLLM Service: 参见PD分离部署

使用方式¶

1. etcd启动配置：

   ./etcd  --listen-peer-urls=http://0.0.0.0:10999 --listen-client-urls=http://0.0.0.0:10998
   

2. xLLM Service启动配置：

   ./xllm_master_serving  --etcd_addr="127.0.0.1:10998" --http_server_port 28888 --rpc_server_port 28889 --tokenizer_path=/path/to/tokenizer_config_dir/
   

3. xLLM启动添加上下面的 gflag 参数即可：

   --enable_service_routing=true
   --enable_cache_upload=true
   # PD分离暂时不支持全局KVCache管理
   --enable_disagg_pd=false