当前位置：首页 > news >正文

DeepSeek 大型 MoE 模型大规模部署压测学习

news 2025/6/17 11:45:19

https://lmsys.org/blog/2025-05-05-large-scale-ep/

以上是对文章《Deploying DeepSeek with PD Disaggregation and Large-Scale Expert Parallelism on 96 H100 GPUs》的中文总结，以及对您提到的几个术语（MLA、MoE、SGLang、VLLM、EP 和 DP）的说明。

📄 文章中文总结

这篇由 SGLang 团队于 2025年5月5日发布的技术博客，展示了如何采用 SGLang 框架，在 12 个节点（共 96 张 NVIDIA H100 GPU，Atlas Cloud）上，使用预填充-解码拆分（Prefill‑Decode Disaggregation）与大规模专家并行（Expert Parallelism，EP），成功复现 DeepSeek 的推理效率 ([lmsys.org][1])。

性能表现：每节点处理输入 2000 token 时，达到 52.3k 输入 token/s 和 22.3k 输出 token/s，几乎与官方 DeepSeek 相当，且每输出百万 token 的成本仅约 $0.20，仅为官方 Chat API 费用的五分之一 ([lmsys.org][1])。
优化手段：文章深入讲解了并行策略（MLA attention、MoE expert、dense FFN、LM head），并重点介绍了 PD 拆分、DeepEP、DeepGEMM、Two‑Batch Overlap（TBO）、以及专家负载均衡（EPLB）。这些方法有效提升了 GPU 利用率及吞吐量 ([lmsys.org][1])。
开源贡献：所有代码与实验方案均已开源，可复现，自由扩展使用。

🧠 专业术语解析

MLA（Multi-Head Latent Attention 多头潜在注意力）

一种 attention 机制，用于捕捉复杂输入依赖关系。文章指出在此机制上，采用 DP Attention 进行数据并行以减少 KV 缓存冗余，提高内存效率 ([lmsys.org][1])。

MoE（Mixture of Experts 专家混合模型）

模型中含有多个专家子网络，输入由路由模块分配给部分专家处理，形成“稀疏 FFN”（Sparse FFN）。优势在于计算高效但内存消耗大。文章提出用 Expert Parallelism（EP）将专家参数分散存储在多 GPU 上，并结合 DeepEP 和 EPLB 技术来优化通信与负载均衡 ([lmsys.org][1])。

SGLang

一个高效的 LLM/VLM 推理框架，强调后端与前端协同设计。此次文章展示 SGLang:

支持 PD Disaggregation；
内建 EP、DeepEP、DeepGEMM、TBO、EPLB 等模块；
提供 DisposableTensor、专家负载分析工具等辅助功能 ([lmsys.org][1])。
SGLang 已成为业内标准部署方案。

VLLM

虽文章未直接涉及 VLLM，但它是在同类型 LLM 推理框架中常被提及的对标系统。SGLang 团队曾于 2024 年对比并优化深度 remark，显示其性能优于 VLLM 。

EP（Expert Parallelism 专家并行）

一种并行策略，用于将 MoE 中的多个专家分布到不同 GPU 上管理内存压力。配合 DeepEP 通信库，支持两种调度模式：prefill 的高吞吐模式（normal dispatch）和 decode 的低延迟模式（low‑latency dispatch）。PD 拆分机制让这两种模式可并存 ([lmsys.org][1])。

DP（Data Parallelism 数据并行）

不同于 tensor parallelism，DP 复制整模型到多个设备，再并行处理 batch。文章使用它对 attention、FFN、LM Head 进行优化：

在 attention 中避免 KV 缓存复制；
在 dense FFN 中减少通讯与对齐碎片，加速训练与推理 ([lmsys.org][1])。

✅ 总结

技术	功能
MLA	模型核心注意力机制，配合 DP 优化 KV 内存
MoE	稀疏专家网络，允许高效扩展但需加载专家参数
EP	专家参数跨设备分布并管理通信模式
DP	跨设备复制模型，实现高效 batch 推理
PD 拆分	分离 prefill 与 decode 阶段，优化资源利用
DeepEP / DeepGEMM / TBO / EPLB	分别负责通信、矩阵计算、批次重叠与专家负载均衡

文章展示了通过这些协同优化，SGLang 在庞大 MoE 模型上达成高效、大规模部署，且成果开源，推动社区共建发展。

bu 在这里插入图片描述

基于 LMSYS 在文章《Deploying DeepSeek with PD Disaggregation and Large-Scale Expert Parallelism on 96 H100 GPUs》中展示的内容和实践经验，我们可以设计一套用于评估 大规模 MoE 模型部署性能 的完整测评工具与方案，覆盖：

🔧 一、测评工具（建议组合使用）

工具/库名称	功能	说明
SGLang	推理框架	本文核心框架，支持 EP/DP/PD 拆分等
DeepEP	高性能专家通信	用于优化专家参数的分布式通信
DeepGEMM	高效矩阵乘法库	替代 PyTorch 默认 GEMM，加速 FFN/MoE
vllm-benchmark	推理性能基准工具	可用于横向对比 vLLM/SGLang 等
nvprof / Nsight / Nsight Systems	NVIDIA GPU 分析工具	分析 GPU 利用率、内存瓶颈等
Prometheus + Grafana	系统监控	收集节点资源（CPU/GPU/内存/网络）利用率
torch.distributed + NCCL Debug	通信调试工具	调试 DP/EP 分布式通信问题
日志分析工具（如 ELK）	专家分布/调度可视化	对 EPLB / 路由行为做统计分析

📋 二、性能测试指标设计

1. Token Throughput（吞吐量）

Input Token/s：每秒处理的 prompt token 数；
Output Token/s：每秒生成的 token 数；
Peak vs Steady-state：观察 warm-up 后是否稳定；
用于判断 PD 拆分 + DeepEP 优化效果。

2. Token Latency（时延）

Prefill 时延：测每个 token 编码耗时；
Decode 时延：生成阶段每 token 平均耗时；
支持 1-B/4-B/8-B 并发下对比。

3. 资源利用率

GPU 利用率（SM/Memory/PCIe/NVLink）；
Network 带宽（EP 通信）；
内存占用（KV 缓存/专家缓存是否爆炸）；
是否存在 Load Imbalance（EPLB 调度是否平衡）。

4. 专家调度效率

路由策略命中率（top-k）；
有效专家调用比例；
负载均衡偏差（EPLB前后对比）；
expert collapse（专家频繁未命中）现象。

5. 系统稳定性

并发处理能力（不同并发下是否死锁）；
长时间推理稳定性（内存泄漏/通信超时）；
多轮推理中错误率（异常 token、重复输出）；
异常节点容错测试（例如某 GPU 故障恢复）；

✅ 三、测试方案设计（按步骤）

✅ 基础功能验证阶段（1-8 卡小规模）

部署 SGLang + DeepEP，加载 MoE 模型（如 DeepSeek-MoE）；
验证 PD 拆分是否成功；
检查每个阶段（prefill/decode）是否绑定正确 GPU 核心；
分别测试：
- Dense 模式；
- MoE 模式；
- EP+DP 模式对比。

✅ 性能扩展阶段（96 卡大规模）

固定 batch size，逐步增加 expert 数；
验证是否触发 DeepEP 的 dispatch 模式切换；
多组并发设置：
- 单路（低延迟）；
- 多路并发（高吞吐）；
- 混合（PD 拆分）。
使用工具收集：
- Token 吞吐；
- 时延；
- GPU utilization；
- expert 活跃度与分布。

✅ 优化测试阶段

启用/关闭：
- EPLB；
- DeepGEMM；
- Two‑Batch Overlap（TBO）；
- Memory-Aware Allocation（MAA）；
比较：
- vLLM baseline vs SGLang；
- dense vs sparse（同模型）。

📌 附加建议

日志指标建议添加：
- 每轮推理专家调度表；
- 通信延迟（EP）；
- token queue size（PD Decode）；
- TBO 命中率（prefill-decode 重叠成功率）；
推荐数据集：使用 AlpacaEval / MMLU / GSM8K 的部分样本模拟实际对话负载。
自动化评估脚本：编写 eval_runner.py 实现多种并发配置自动跑测，并输出 markdown 表格或 CSV。