【阅读原文】戳:企业级LLM推理部署新范式:基于ACK的DeepSeek蒸馏模型生产环境落地指南
DeepSeek凭借其出色的推理表现在春节期间火爆全网,本文重点介绍如何在阿里云容器服务ACK中使用KServe部署生产可用的DeepSeek模型推理服务。
背景介绍
1. DeepSeek R1模型
DeepSeek-R1[1]模型是DeepSeek推出的第一代推理模型,旨在通过大规模强化学习提升大语言模型的推理能力。实验结果表明,DeepSeek-R1在数学推理、编程竞赛等多个任务上表现出色,不仅超过了其他闭源模型,而且在某些任务上接近或超越了OpenAI-o1系列模型。DeepSeek-R1在知识类任务和其他广泛的任务类型中也表现出色,包括创意写作、一般问答等。DeepSeek还将推理能力蒸馏到小模型上,通过对已有模型(Qwen、Llama等)微调提升模型推理能力。蒸馏后的14B模型显著超越了现有的开源模型QwQ-32B,而蒸馏后的32B和70B模型均刷新纪录。更多模型信息请参考DeepSeek AI GitHub仓库[2]。
2. KServe
KServe是一个开源的云原生模型服务平台,旨在简化在Kubernetes上部署和运行机器学习模型的过程,支持多种机器学习框架、具备弹性扩容能力。KServe通过定义简单的YAML文件,提供声明式的API来部署模型,使得配置和管理模型服务变得更加容易。关于KServe开源项目的更多信息,请参见KServe[3]。
3. Arena
Arena是基于Kubernetes的机器学习轻量级解决方案,支持数据准备、模型开发、模型训练、模型预测的完整生命周期,提升数据科学家工作效率。同时和阿里云的基础云服务深度集成,支持GPU共享、CPFS等服务,可以运行阿里云优化的深度学习框架,最大化利用阿里云异构设备的性能和成本的效益。关于Arena的信息可以参考文档[4]。
前提条件
• 已创建包含GPU的Kubernetes集群。具体操作,请参见创建包含GPU的Kubernetes集群[5]。
GPU机型选择A10即可,推荐机型ecs.gn7i-c8g1.2xlarge。
• 已安装ack-kserve️组件。具体操作,请参见安装ack-kserve️[6]。
• 已安装Arena客户端。具体操作,请参见安装Arena[7]。
模型部署
步骤一:准备DeepSeek-R1-Distill-Qwen-7B模型文件
1. 执行以下命令从ModelScope下载DeepSeek-R1-Distill-Qwen-7B模型。
# 确认是否已安装git-lfs插件 # 如未安装可执行yum install git-lfs 或 apt install git-lfs安装 git lfs install # clone DeepSeek-R1-Distill-Qwen-7B项目 GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B.git # 下载模型文件 cd DeepSeek-R1-Distill-Qwen-7B/ git lfs pull
2. 上传OSS
# 创建目录 ossutil mkdir oss://<your-bucket-name>/models/DeepSeek-R1-Distill-Qwen-7B # 上传文件 ossutil cp -r ./DeepSeek-R1-Distill-Qwen-7B oss://<your-bucket-name>/models/DeepSeek-R1-Distill-Qwen-7B
3. 为目标集群配置名为llm-model的存储卷PV和存储声明PVC。具体操作,请参见使用OSS静态存储卷[8]。
• 以下为示例PV的基本配置信息:
• 以下为示例PVC的基本配置信息:
步骤二:部署推理服务
1. 执行下列命令,启动名称为deepseek的推理服务。
arena serve kserve \ --name=deepseek \ --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/vllm:v0.6.6 \ --gpus=1 \ --cpu=4 \ --memory=12Gi \ --data=llm-model:/model/DeepSeek-R1-Distill-Qwen-7B \ "vllm serve /model/DeepSeek-R1-Distill-Qwen-7B --port 8080 --trust-remote-code --served-model-name deepseek-r1 --max-model-len 32768 --gpu-memory-utilization 0.95 --enforce-eager"
参数解释如下表所示:
预期输出:
inferenceservice.serving.kserve.io/deepseek created INFO[0003] The Job deepseek has been submitted successfully INFO[0003] You can run `arena serve get deepseek --type kserve -n default` to check the job status
步骤三:验证推理服务
1. 执行下列命令,查看KServe推理服务的部署情况。
arena serve get deepseek
预期输出:
Name: deepseek Namespace: default Type: KServe Version: 1 Desired: 1 Available: 1 Age: 3m Address: http://deepseek-default.example.com Port: :80 GPU: 1 Instances: NAME STATUS AGE READY RESTARTS GPU NODE ---- ------ --- ----- -------- --- ---- deepseek-predictor-7cd4d568fd-fznfg Running 3m 1/1 0 1 cn-beijing.172.16.1.77
输出结果表明,KServe推理服务部署成功,模型访问地址为http://deepseek-default.example.com。
2. 执行以下命令,使用获取到的Nginx Ingress网关地址访问推理服务。
# 获取Nginx ingress的IP地址。 NGINX_INGRESS_IP=$(kubectl -n kube-system get svc nginx-ingress-lb -ojsonpath='{.status.loadBalancer.ingress[0].ip}') # 获取Inference Service的Hostname。 SERVICE_HOSTNAME=$(kubectl get inferenceservice deepseek -o jsonpath='{.status.url}' | cut -d "/" -f 3) # 发送请求访问推理服务。 curl -H "Host: $SERVICE_HOSTNAME" -H "Content-Type: application/json" http://$NGINX_INGRESS_IP:80/v1/chat/completions -d '{"model": "deepseek-r1", "messages": [{"role": "user", "content": "Say this is a test!"}], "max_tokens": 512, "temperature": 0.7, "top_p": 0.9, "seed": 10}'
预期输出:
{"id":"chatcmpl-0fe3044126252c994d470e84807d4a0a","object":"chat.completion","created":1738828016,"model":"deepseek-r1","choices":[{"index":0,"message":{"role":"assistant","content":"<think>\n\n</think>\n\nIt seems like you're testing or sharing some information. How can I assist you further? If you have any questions or need help with something, feel free to ask!","tool_calls":[]},"logprobs":null,"finish_reason":"stop","stop_reason":null}],"usage":{"prompt_tokens":9,"total_tokens":48,"completion_tokens":39,"prompt_tokens_details":null},"prompt_logprobs":null}
可观测
在生产环境中LLM推理服务的可观测性是至关重要的,可以有效提前发现和定位故障。vLLM框架提供了许多LLM推理指标(具体指标可查询Metrics文档[9]),KServe也提供了一些指标来帮助您监控模型服务的性能和健康状况。我们在arena工具中集成了这些能力,您只需要在提交应用时增加--enable-prometheus=true参数即可。
arena serve kserve \ --name=deepseek \ --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/vllm:v0.6.6 \ --gpus=1 \ --cpu=4 \ --memory=12Gi \ --enable-prometheus=true \ --data=llm-model:/model/DeepSeek-R1-Distill-Qwen-7B \ "vllm serve /model/DeepSeek-R1-Distill-Qwen-7B --port 8080 --trust-remote-code --served-model-name deepseek-r1 --max-model-len 32768 --gpu-memory-utilization 0.95 --enforce-eager"
配置后Dashboard大盘如下图所示:
弹性扩缩容
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。
arena serve kserve \ --name=deepseek \ --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/vllm:v0.6.6 \ --gpus=1 \ --cpu=4 \ --memory=12Gi \ --scale-metric=DCGM_CUSTOM_PROCESS_SM_UTIL \ --scale-target=80 \ --min-replicas=1 \ --max-replicas=2 \ --data=llm-model:/model/DeepSeek-R1-Distill-Qwen-7B \ "vllm serve /model/DeepSeek-R1-Distill-Qwen-7B --port 8080 --trust-remote-code --served-model-name deepseek-r1 --max-model-len 32768 --gpu-memory-utilization 0.95 --enforce-eager"
以上示例演示如何基于Pod的GPU利用率配置自定义指标的扩缩容。--scale-metric指定扩缩容指标为DCGM_CUSTOM_PROCESS_SM_UTIL, 通过--scale-target指定阈值,当GPU利用超出80%时将会触发扩容。--min-replicas及--max-replicas设定了最小和最大副本数量。您也可以根据业务需求配置其他指标,详情可参考基于KServe为服务配置弹性扩缩容策略[10]。
模型加速
随着技术的发展,AI应用的模型数据越来越大,但是通过存储服务(如OSS、NAS等)拉取这些大文件时可能会出现长时间的延迟和冷启动问题。您可以利用Fluid显著提升模型加载速度,从而优化推理服务的性能,特别是对于基于KServe的推理服务而言。实验结果表明,在A10卡上加载DeepSeek-R1-Distill-Qwen-7B模型,与OSS内网拉取相比,使用Fluid后LLM推理就绪时间减少了50.9%。
灰度发布
在生产环境中应用发布更新是最为常见的操作,为了保证业务平稳,降低变更风险,灰度发布必不可少。ACK支持多种灰度发布策略,如根据流量百分比灰度,根据请求Header灰度等。详情可参考推理服务的灰度发布文档[11]。
GPU共享推理
DeepSeek-R1-Distill-Qwen-7B模型仅需14GB显存,如果您使用更高规格的GPU机型如A100等,可以考虑使用GPU共享推理技术,提升GPU利用率。GPU共享技术可以将一个GPU进行切分,多个推理服务共享一个GPU,以提升GPU利用率。详情可参考部署GPU共享推理服务文档[12]。
总结
DeepSeek-R1在数学推理、编程竞赛等多个任务上表现出色,不仅超过了其他闭源模型,而且在某些任务上接近或超越了OpenAI-o1系列模型。一经发布,尝试者众。本文介绍了如何在ACK上使用KServe部署生产可用的DeepSeek推理服务,包括模型部署、可观测、灰度发布、弹性扩缩容等基本能力,同时ACK还提供了如Fluid模型加速、GPU共享推理的高阶能力,欢迎大家试用。
相关链接:
[1] DeepSeek-R1
https://github.com/deepseek-ai/DeepSeek-R1
[2] DeepSeek AI GitHub仓库
https://github.com/deepseek-ai
[3] KServe
https://xiumi.us/studio/v5#/paper/for/523334546/cube/0
[4] 文档
https://github.com/kubeflow/arena
[5] 创建包含GPU的Kubernetes集群
[6] 安装ack-kserve️
https://help.aliyun.com/zh/ack/cloud-native-ai-suite/user-guide/installation-ack-kserve
[7] 安装Arena
https://help.aliyun.com/zh/ack/cloud-native-ai-suite/user-guide/install-arena#task-1917487
[8] 使用OSS静态存储卷
[9] Metrics文档
https://docs.vllm.ai/en/stable/serving/metrics.html
[10] 基于KServe为服务配置弹性扩缩容策略
[11] 推理服务的灰度发布文档
[12] 部署GPU共享推理服务文档
我们是阿里巴巴云计算和大数据技术幕后的核心技术输出者。
获取关于我们的更多信息~