使用NVIDIANIM在阿里云ACK中加速LLM推理

大语言模型（LLM）是近年来发展迅猛并且激动人心的热点话题，引入了许多新场景，满足了各行各业的需求。随着开源模型能力的不断增强，越来越多的企业开始尝试在生产环境中部署开源模型，将AI模型接入到现有的基础设施，优化系统延迟和吞吐量，完善监控和安全等方面。然而要在生产环境中部署这一套模型推理服务过程复杂且耗时。为了简化流程，帮助企业客户加速部署生成式AI模型，本文结合NVIDIA NIM[1]（一套专为安全、可靠地部署高性能AI模型推理而设计的微服务，是一套易于使用的预构建容器化工具）和阿里云容器服务ACK[2]等产品，提供了一套开箱即用，可以快速构建一个高性能、可观测、灵活弹性的LLM模型推理服务的操作指南。

阿里云容器服务（ACK）

云原生AI套件

阿里云容器服务Kubernetes版ACK（Container Service for Kubernetes）是全球首批通过Kubernetes一致性认证的服务平台，提供高性能的容器应用管理服务，支持企业级Kubernetes容器化应用的生命周期管理，让您轻松高效地在云端运行Kubernetes容器化应用。

云原生AI套件[3]是阿里云容器服务ACK提供的云原生AI技术和产品方案。使用云原生AI套件，您可以充分利用云原生架构和技术，在 Kubernetes 容器平台上快速定制化构建AI生产系统，并为AI/ML应用和系统提供全栈优化。云原生AI套件支持使用Kubeflow社区开源的命令行工具Arena[4]，对深度学习核心生产环节（包括数据管理、模型训练、模型评估、推理服务部署等）任务进行简单抽象和高效管理，同时降低Kubernetes复杂概念带来的使用复杂度。Arena可以实现分布式训练任务的快速提交，并进行任务的生命周期管理。此外，云原生AI套件还提供针对分布式场景优化的调度策略，例如Binpack算法分配策略，提升GPU卡利用率，还支持自定义的任务优先级管理和租户弹性资源配额控制，在确保用户资源分配的基础上，通过资源共享的方式来提升集群的整体资源利用率。

方案介绍

本文将介绍如何在阿里云ACK集群上，使用云原生AI套件集成开源推理服务框架KServe[5]，快速部署NVIDIA NIM。同时，结合阿里云的Prometheus和Grafana服务，快速搭建监控大盘，实时观测推理服务状态。利用NVIDIA NIM提供丰富的监控指标，如num_requests_waiting，配置推理服务弹性扩缩容策略。当有突发流量导致推理服务处理请求排队时，能自动扩容新的实例来应对高峰流量。整体解决方案架构如下所示:

NVIDIA NIM on ACK

在本文中，我们将介绍在ACK集群上部署NVIDIA NIM的步骤，总体步骤如下：

1. 创建ACK集群并安装云原生AI套件，ack-kserve等组件。

2. 使用Arena提交KServe推理服务，使用NIVDIA NIM容器，部署llama3 8B模型。

3. 为推理服务配置监控，实时观测推理服务状态。

4. 基于排队中请求数指标配置弹性扩缩容策略，自动灵活地调整模型服务实例的规模。

部署流程

首先需要创建包含GPU的Kubernetes集群[6]，并部署云原生AI套件[7]。为了在集群中使用KServe管理推理服务，还需要安装ack-kserve️[8]。集群环境准备好后，就可以参考下列步骤开始部署服务了。

重要：您应自觉遵守第三方模型的用户协议、使用规范和相关法律法规，并就使用第三方模型的合法性、合规性自行承担相关责任。

1.参考NVIDIA NIM文档[9]，生成NVIDIA NGC[10] API key，并申请需要部署的模型镜像访问权限，比如本文中使用的Llama3-8b-instruct[11]。请阅读并承诺遵守Llama模型的自定义可商用开源协议[12]。

2.创建imagePullSecret，用于从NGC私有仓库拉取NIM镜像。

export NGC_API_KEY=<your-ngc-api-key>kubectl create secret docker-registry ngc-secret \ --docker-server=nvcr.io\ --docker-username='$oauthtoken'\ --docker-password=${NGC_API_KEY}

3.创建nvidia-nim-secret，用于在容器内访问NGC私有仓库，参考nim-deploy部署文档[13]。

kubectl apply -f-<<EOFapiVersion: v1kind: Secretmetadata: name: nvidia-nim-secretsstringData: NGC_API_KEY: <your-ngc-api-key>EOF

4.为目标集群配置存储卷PV和存储声明PVC，后续模型文件将会下载到创建的共享存储中。具体操作，请参见使用NAS静态存储卷[14]。

以下为示例PV的配置信息：

配置项

说明

存储卷类型

NAS

名称

nim-model

访问模式

ReadWriteMany

挂载点域名

您可以通过选择挂载点或者自定义的方式定义集群载NAS文件系统中挂载点的挂载地址。关于如何查看挂载点地址，请参见查看挂载点地址[15]。

挂载路径

指定模型所在的路径，如/nim-model

以下为示例PVC的配置信息：

配置项

说明

存储声明类型

NAS

名称

nim-model

分配模式

选择已有存储卷

已有存储卷

单击选择已有存储卷链接，选择已创建的存储卷PV。

5.执行下列命令，部署一个KServe推理服务，使用NVIDIA NIM提供的镜像，指定使用一个NVIDIA GPU，将PVC挂载到容器内的/mnt/models目录用于保存模型文件，配置autoscalerClass=external指定使用自定义HPA策略，同时还开启Prometheus采集推理服务监控指标，用于后续在Grafana中搭建监控大盘。等待容器启动后，即可使用Llama3-8b-instruct模型提供推理服务。

arena serve kserve \ --name=llama3-8b-instruct \ --image=nvcr.io/nim/meta/llama3-8b-instruct:1.0.0 \ --image-pull-secret=ngc-secret \ --gpus=1 \ --cpu=8 \ --memory=32Gi \ --share-memory=32Gi \ --port=8000 \ --security-context runAsUser=0 \ --annotation=serving.kserve.io/autoscalerClass=external \ --env NIM_CACHE_PATH=/mnt/models \ --env-from-secret NGC_API_KEY=nvidia-nim-secrets \ --enable-prometheus=true \ --metrics-port=8000 \ --data=nim-model:/mnt/models

预期输出：

INFO[0004] The Job llama3-8b-instruct has been submitted successfullyINFO[0004] You can run `arena serve get llama3-8b-instruct --type kserve -n default` to check the job status

输出结果表明推理服务已部署成功。

6.推理服务部署完成后，可通过执行以下命令，查看KServe推理服务的部署情况。

arena serve get llama3-8b-instruct

预期输出：

Name: llama3-8b-instructNamespace: defaultType: KServeVersion: 1Desired: 1Available: 1Age: 24mAddress: http://llama3-8b-instruct-default.example.comPort: :80GPU: 1Instances: NAME STATUS AGE READY RESTARTS GPU NODE ---- ------ --- ----- -------- --- ---- llama3-8b-instruct-predictor-545445b4bc-97qc5 Running 24m 1/1 0 1 ap-southeast-1.172.16.xx.xxx

输出结果表明，KServe推理服务部署成功，模型访问地址为：

http://llama3-8b-instruct-default.example.com

7.接下来就可以访问推理服务了，可通过使用获取到的Nginx Ingress网关地址访问推理服务。

# Obtain the IP address of the Nginx ingress.NGINX_INGRESS_IP=$(kubectl -n kube-system get svc nginx-ingress-lb -ojsonpath='{.status.loadBalancer.ingress[0].ip}')# Obtain the Hostname of the Inference Service.SERVICE_HOSTNAME=$(kubectl get inferenceservice llama3-8b-instruct -o jsonpath='{.status.url}' | cut -d "/" -f 3)# Send a request to access the inference service.curl -H "Host: $SERVICE_HOSTNAME" -H "Content-Type: application/json" http://$NGINX_INGRESS_IP:80/v1/chat/completions -d '{"model": "meta/llama3-8b-instruct", "messages": [{"role": "user", "content": "Once upon a time"}], "max_tokens": 64, "temperature": 0.7, "top_p": 0.9, "seed": 10}'

预期输出：

{"id":"cmpl-70af7fa8c5ba4fe7b903835e326325ce","object":"chat.completion","created":1721557865,"model":"meta/llama3-8b-instruct","choices":[{"index":0,"message":{"role":"assistant","content":"It sounds like you're about to tell a story! I'd love to hear it. Please go ahead and continue with \"Once upon a time...\""},"logprobs":null,"finish_reason":"stop","stop_reason":128009}],"usage":{"prompt_tokens":14,"total_tokens":45,"completion_tokens":31}}

输出结果表明，已经能够通过Nginx Ingress网关地址访问推理服务，并成功返回推理结果。

监控

NVIDIA NIM提供了丰富的Prometheus监控指标，比如首token时延、当前正在运行的请求数、请求token数、生成token数等指标。结合阿里云Prometheus和Grafana服务，可以快速在Grafana中搭建监控大盘，实时观测推理服务状态。

1.已开启阿里云Prometheus监控组件。具体操作，请参见开启阿里云Prometheus监控[16]。

2.创建grafana工作区，登录Grafana的Dashboards页面。

3.导入NVIDIA NIM提供的dashboard样例[17]。

4.成功导入后，dashboard示例如下:

弹性伸缩

在部署与管理KServe模型服务过程中，需应对模型推理服务面临的高度动态负载波动。KServe通过集成Kubernetes原生的HPA（Horizontal Pod Autoscaler）技术及扩缩容控制器，实现了根据CPU利用率、内存占用情况、GPU利用率以及自定义性能指标，自动灵活地调整模型服务Pod的规模，以确保服务效能与稳定性。

基于排队请求数配置自定义指标的弹性扩缩容策略

自定义指标的扩缩容依赖ACK提供的ack-alibaba-cloud-metrics-adapter组件与Kubernetes HPA机制实现。详细信息，请参见基于阿里云Prometheus指标的容器水平伸缩[18]。

以下示例演示如何基于NVIDIA NIM提供的num_requests_waiting指标配置扩缩容策略。

1.已部署阿里云Prometheus和ack-alibaba-cloud-metrics-adapter，请参见基于阿里云Prometheus指标的容器水平伸缩。

2.在Helm列表的操作列，单击ack-alibaba-cloud-metrics-adapter对应的更新。在custom字段下添加如下rules。

- seriesQuery: num_requests_waiting{namespace!="",pod!=""} resources: overrides: namespace: {resource: "namespace"} pod: {resource: "pod"} metricsQuery: sum(<<.Series>>{<<.LabelMatchers>>}) by (<<.GroupBy>>)

3.通过Custom Metrics进行容器伸缩，示例配置了当等待中的请求数超过10则进行扩容。

使用以下内容，创建hpa.yaml文件。

apiVersion: autoscaling/v2kind: HorizontalPodAutoscalermetadata: name: llama3-8b-instruct-hpa namespace: defaultspec: # HPA的最小Pod数量和最大Pod数量。 minReplicas: 1 maxReplicas: 3 # 监控的指标数组，支持多种类型的指标共存。 metrics: - pods: metric: name: num_requests_waiting target: averageValue: 10 type: AverageValue type: Pods # HPA的伸缩对象描述，HPA会动态修改该对象的Pod数量。 scaleTargetRef: apiVersion: apps/v1 kind: Deployment name: llama3-8b-instruct-predictor

执行以下命令，创建HPA应用。

kubectl apply -f hpa.yaml

执行以下命令，创建HPA应用。

kubectl get hpa llama3-8b-instruct-hpa

预期输出：

NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGEllama3-8b-instruct-hpa Deployment/llama3-8b-instruct-predictor 0/10 1 3 1 34s

4.执行以下命令，对服务进行压测。

说明Hey压测工具的详细介绍，请参见Hey[19]。

hey -z 5m -c 400 -m POST -host $SERVICE_HOSTNAME -H "Content-Type: application/json" -d '{"model": "meta/llama3-8b-instruct", "messages": [{"role": "user", "content": "Once upon a time"}], "max_tokens": 64}' http://$NGINX_INGRESS_IP:80/v1/chat/completions

5.在压测期间，重新打开一个终端，执行以下命令查看服务的扩缩容情况。

kubectl describe hpa llama3-8b-instruct-hpa

预期输出包含如下内容：

Events: Type Reason Age From Message ---- ------ ---- ---- ------- Normal SuccessfulRescale 52s horizontal-pod-autoscaler New size: 3; reason: pods metric num_requests_waiting above target

预期输出表明在压测期间Pod数会扩容到2，而当压测结束后，经过一段时间（约为5分钟），Pod缩容到1。即可以实现自定义指标的扩缩容。

总结

本文通过在阿里云容器服务ACK上部署NVIDIA NIM，结合阿里云Prometheus和 Grafana服务，快速在Grafana中搭建监控大盘，实时观测推理服务状态。为应对模型推理服务面临的动态负载波动，基于排队中的请求数配置自定义指标的弹性扩缩容策略，使模型推理服务实例根据等待中的请求数动态扩缩容。通过以上方式，可以快速构建一个高性能、可观测、极致弹性的模型推理服务。

玩酷网

使用NVIDIANIM在阿里云ACK中加速LLM推理

科技梦想在奔跑