AI 推理服务的多模型共存同集群部署不同版本的策略一、集群里同时跑了 vLLM 0.4、TGI 1.3、TensorRT-LLM 三个版本资源分配一团糟AI 推理服务的版本管理比传统微服务复杂得多。传统微服务部署的是同一个 Docker 镜像的不同版本——v1、v2、v3管理起来是标准的 K8s Deployment 滚动更新。AI 推理服务不一样——不同模型GPT-4、Llama-3、Claude、不同推理引擎vLLM、TGI、TensorRT-LLM、不同量化版本FP16、INT8、INT4可能同时运行在同一个集群中。问题不在于能不能共存——K8s 天然支持多 Deployment。问题在于资源怎么分配。AI 推理是 GPU 密集型负载GPU 是不可压缩资源——同一张 GPU 卡不能同时被两个推理进程使用除非用 MIG 切分。所以多模型共存的核心挑战是 GPU 资源的调度和隔离。策略的三个层次水平切分不同模型跑在不同 GPU 上、垂直切分同一 GPU 上用 MIG 隔离不同模型、调度混合GPU 和 CPU 混合部署轻量推理用 CPU 兜底。二、底层机制与原理剖析多模型共存的三层策略水平切分不同 GPU最简单的策略。每个模型独占一张 GPU 卡。优点隔离性最好一个模型出问题不影响其他模型、推理性能不受干扰。缺点资源利用率低——Llama-3-70B 占 70GB 显存剩下 10GB 白白浪费。MIG 垂直切分Mult-Instance GPUA100/H100 支持 MIG多实例 GPU把一张 GPU 显存切分成多个独立实例。例如一张 80GB 的 A100 切成 5GB 10GB 30GB 35GB 四个实例。每个实例有独立的内存和缓存互不干扰。优点显存利用率高。缺点只支持特定 GPU 型号A100、A30、H100、切分后的实例互相隔离无法共享计算力。Time-Slicing时间片共享没有真正的显存隔离多个推理进程轮流占用 GPU 计算单元。优点实现简单、不依赖 GPU 型号。缺点切换开销每次切换需要重新加载模型权重、显存竞争可能导致 OOM。三、生产级代码实现# k8s/vllm-llama3-70b.yaml # vLLM Llama-3-70B 部署配置 # 设计要点 # 1. 独占 GPU不与其他模型共享——稳定优先 # 2. nodeSelector 指定 GPU 型号——不同模型对 GPU 架构有要求 # 3. 资源 Requests Limits —— GPU 资源保证性 --- apiVersion: apps/v1 kind: Deployment metadata: name: vllm-llama3-70b namespace: ai-inference labels: app: vllm-llama3-70b model: llama-3-70b engine: vllm version: v0.4.2 annotations: # 标记模型信息供路由发现 model.workbuddy.tech/name: llama-3-70b model.workbuddy.tech/engine: vllm model.workbuddy.tech/quantization: fp16 prometheus.io/scrape: true spec: replicas: 1 # GPU 推理通常 1 副本多副本需要多张 GPU selector: matchLabels: app: vllm-llama3-70b template: metadata: labels: app: vllm-llama3-70b spec: # GPU 节点亲和性 nodeSelector: nvidia.com/gpu.product: NVIDIA-A100-SXM4-80GB tolerations: - key: nvidia.com/gpu operator: Exists effect: NoSchedule containers: - name: vllm image: vllm/vllm-openai:v0.4.2 args: - --model - meta-llama/Meta-Llama-3-70B-Instruct - --host - 0.0.0.0 - --port - 8000 - --tensor-parallel-size - 1 # 单 GPUTP1如果跨 GPU 推理设为 2 - --gpu-memory-utilization - 0.90 # 留 10% 给 CUDA context - --max-model-len - 8192 # 上下文长度 env: - name: CUDA_VISIBLE_DEVICES value: 0 - name: NVIDIA_VISIBLE_DEVICES value: 0 ports: - containerPort: 8000 name: http resources: requests: nvidia.com/gpu: 1 memory: 80Gi # 模型 KV Cache 的显存需求 cpu: 8 limits: nvidia.com/gpu: 1 memory: 80Gi cpu: 16 readinessProbe: httpGet: path: /health port: 8000 initialDelaySeconds: 60 # 模型加载需要时间 periodSeconds: 10 livenessProbe: httpGet: path: /health port: 8000 initialDelaySeconds: 120 periodSeconds: 30 volumeMounts: - name: model-storage mountPath: /models readOnly: true volumes: - name: model-storage persistentVolumeClaim: claimName: pvc-llama-models# k8s/mig-tgi-whisper.yaml # 使用 MIG 后的 TGI Whisper 部署 # MIG 实例通过 nvidia.com/mig-3g.20gb 这种扩展资源申请 --- apiVersion: apps/v1 kind: Deployment metadata: name: tgi-whisper-large namespace: ai-inference labels: app: tgi-whisper-large model: whisper-large-v3 engine: tgi spec: replicas: 1 selector: matchLabels: app: tgi-whisper-large template: spec: nodeSelector: nvidia.com/gpu.product: NVIDIA-A100-SXM4-80GB containers: - name: tgi image: ghcr.io/huggingface/text-generation-inference:1.3 args: - --model-id - openai/whisper-large-v3 - --num-shard - 1 - --max-total-tokens - 4096 resources: requests: nvidia.com/mig-3g.20gb: 1 # 申请 20GB MIG 实例 memory: 24Gi limits: nvidia.com/mig-3g.20gb: 1 memory: 24Gi# model_router.py 多模型路由器根据请求中的 model 参数将请求路由到正确的推理引擎实例 设计要点 1. 基于 K8s Service label selector 实现服务发现 2. 支持模型→引擎→实例的映射 3. 熔断如果某个模型实例全部不可用返回 503 而非无限等待 import os import logging import threading from typing import Dict, Optional, List from dataclasses import dataclass, field from urllib.request import Request, urlopen from urllib.error import URLError import json logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) dataclass class ModelEndpoint: 推理引擎实例的端点信息 url: str model: str engine: str version: str weight: int 1 # 流量权重 priority: int 0 # 优先级数字越小越高 healthy: bool True # 健康状态 # 延迟统计 avg_latency_ms: float 0 error_count: int 0 class ModelRouter: 模型路由器 为什么自己实现而不是用 Istio / Envoy 模型路由需求的特殊性 - 需要按 model name 路由不是 Host header - 需要感知模型列表的动态变化新模型加入、旧模型下线 - 有些模型有多个实例负载均衡有些只有一个主备 def __init__(self, k8s_namespace: str ai-inference): self.namespace k8s_namespace self._endpoints: Dict[str, List[ModelEndpoint]] {} self._lock threading.RLock() # 静态模型映射K8s Service discovery 的简化版 # 生产环境应从 K8s API 动态发现 self._static_endpoints { llama-3-70b: [ ModelEndpoint( urlhttp://vllm-llama3-70b.ai-inference.svc:8000, modelllama-3-70b, enginevllm, version0.4.2, priority0, ), ], gpt-4-mini: [ ModelEndpoint( urlhttp://vllm-gpt4-mini-mig.ai-inference.svc:8000, modelgpt-4-mini, enginevllm, version0.4.2, priority0, ), ], qwen-72b: [ ModelEndpoint( urlhttp://trt-qwen-72b.ai-inference.svc:8000, modelqwen-72b, enginetensorrt-llm, version0.8.0, priority1, ), ], whisper-large: [ ModelEndpoint( urlhttp://tgi-whisper.ai-inference.svc:8000, modelwhisper-large-v3, enginetgi, version1.3, priority0, ), ], } self._endpoints dict(self._static_endpoints) # 启动后台健康检查 self._start_health_checks() def resolve(self, model_name: str) - Optional[ModelEndpoint]: 为指定模型解析一个可用的端点 策略 1. 精确匹配 model name 2. 从可用实例中选择优先级最高 健康的实例 3. 如果有多个同等优先级实例按权重随机选择 with self._lock: endpoints self._endpoints.get(model_name, []) # 过滤健康实例 healthy [ep for ep in endpoints if ep.healthy] if not healthy: logger.warning(No healthy endpoint for model: %s, model_name) return None # 按优先级排序 healthy.sort(keylambda ep: ep.priority) # 选择最高优先级的实例 # 如果同一优先级有多个按权重选择——简化实现直接轮询 top_priority healthy[0].priority candidates [ep for ep in healthy if ep.priority top_priority] # 简单的加权随机生产环境用更精细的算法 import random return random.choices( candidates, weights[ep.weight for ep in candidates], k1, )[0] def mark_unhealthy(self, model_name: str, endpoint_url: str): 标记某个端点为不健康在请求失败后调用 with self._lock: endpoints self._endpoints.get(model_name, []) for ep in endpoints: if ep.url endpoint_url: ep.healthy False ep.error_count 1 logger.warning(Marked %s unhealthy: %s, model_name, endpoint_url) def _start_health_checks(self): 启动后台健康检查线程 self._health_thread threading.Thread( targetself._health_check_loop, daemonTrue ) self._health_thread.start() def _health_check_loop(self): 周期性的健康检查——恢复标记为 unhealthy 的端点 import time while True: time.sleep(15) # 每 15 秒检查一次 with self._lock: for model, endpoints in self._endpoints.items(): for ep in endpoints: if not ep.healthy: if self._check_endpoint(ep): ep.healthy True ep.error_count 0 logger.info(Recovered %s/%s: %s, model, ep.engine, ep.url) staticmethod def _check_endpoint(ep: ModelEndpoint) - bool: 检查单个端点是否健康 try: req Request(f{ep.url}/health, methodGET) with urlopen(req, timeout5) as resp: return resp.status 200 except Exception: return False # --------------------------------------------------------------------------- # 使用示例在 API Gateway 中集成路由器 # --------------------------------------------------------------------------- if __name__ __main__: router ModelRouter() # 模拟请求用户指定了模型 requests [ {model: llama-3-70b, prompt: Hello}, {model: qwen-72b, prompt: 你好}, {model: nonexistent-model, prompt: test}, # 不存在的模型 ] for req in requests: endpoint router.resolve(req[model]) if endpoint: print(f[{req[model]}] → {endpoint.url} ({endpoint.engine})) else: print(f[{req[model]}] → 无可用实例 (503))四、边界分析与架构权衡MIG 的限制MIG 切分后每个实例的显存和缓存是隔离的——如果一个大模型需要 50GB 显存但 MIG 实例只有 30GB它就跑不了MIG 实例间的通信效率不如统一显存——跨 MIG 实例的 tensor 传输需要走 PCIe不是所有 GPU 都支持 MIG——A100、A30、H100 支持V100、T4 不支持多模型共存的内存风险K8s 的requests: nvidia.com/gpu: 1只是保证容器能访问 GPU——不保证显存分配。两个容器各请求 1 个 GPU 但运行在同一张卡上可能同时 OOM解决方案使用 GPU Operator 的 Time-Slicing 配置 显存限制--gpu-memory-utilization生产环境建议核心模型高流量、高优先级独占 GPU保证性能稳定非核心模型MIG 或 Time-Slicing 共享 GPU轻量模型如 embedding、分类器CPU 推理ONNX Runtime节省 GPU 资源制定 GPU配额制度每个团队/业务线有 GPU 时间的配额上限五、总结AI 推理服务的多模型共存核心矛盾是 GPU 资源如何分配。水平切分简单但利用率低MIG 垂直切分利用率高但灵活度受限Time-Slicing 灵活但隔离性差。建议的核心模型独占 GPU稳非核心模型共享 GPU省轻量模型用 CPU 推理更省。路由器Model Router是这一切的入口——让用户在请求时指定模型名路由层负责将请求转发到正确的推理实例用户不需要知道底层是哪个引擎、哪个 GPU 在跑。