大道至简-基于ACK的Deepseek满血版分布式推理部署实战-阿里云开发者社区

大道至简-基于ACK的Deepseek满血版分布式推理部署实战

2025-02-28 92 发布于新疆

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 大道至简-基于ACK的Deepseek满血版分布式推理部署实战

本文是基于阿里云容器服务产品ACK，部署Deepseek大语言模型推理服务系列文章的第二篇。将介绍如何在Kubernetes管理的GPU集群中，快速部署多机分布式Deepseek-R1 671B（“满血版”）推理服务。并集成Dify应用，构建一个简单的Deepseek问答助手。关于如何在ACK部署Deepseek“蒸馏版”模型推理服务，可以参考本系列第一篇文章《基于ACK的DeepSeek蒸馏模型生产环境落地指南》。

一. 背景介绍

1. DeepSeek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. vLLM

vLLM[3]是一个高效易用的大语言模型推理服务框架，vLLM支持包括通义千问在内的多种常见大语言模型。vLLM通过PagedAttention优化、动态批量推理（continuous batching）、模型量化等优化技术，可以取得较好的大语言模型推理效率。更多关于vLLM框架的信息，请参考vLLM Github代码库[4]。

3. Arena

Arena是阿里云容器服务提供并开源，基于Kubernetes的机器学习轻量级解决方案。用户可通过Arena命令行工具管理数据准备、模型开发、模型训练、模型推理等完整ML/AI任务生命周期，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、批量任务调度、数据缓存加速等服务，可以运行开源和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。新版Arena已经支持分布式vLLM推理架构和Deepseek模型。关于Arena的信息可以参考文档[5]。

4. Dify

Dify是一款开源的大语言模型（LLM）应用开发平台。它融合了后端即服务（Backend as Service）和LLMOps[6]的理念，使开发者可以快速搭建生产级的生成式AI应用。关于如何快速部署Dify应用，可以参考ACK文档[7]。

二. 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[8]。

推荐机型ecs.ebmgn8v.48xlarge (8 * 96GB)。分布式部署需要2台，单机部署需要1台。

• 已安装云原生AI套件

• 已安装Arena客户端，且版本不低于0.14.0。具体操作，请参见安装Arena[9]。

• （可选）已安装ack-dify组件。具体操作，请参考文档使用Dify快速构建AI问答助手[10]中的安装ack-dify章节。

三. 多机分布式部署

3.1 模型切分

DeepSeek-R1模型共有671B参数，单张GPU显存只有96GB，无法加载全部模型，因此需要将模型切分。本文采用了TP=8，PP=2的切分方式，模型切分示意图如下。

管道并行（PP=2）将模型切分为两个阶段，每个阶段运行在一个GPU节点上。例如有一个模型M，我们可以将其切分为M1和 M2，M1在第一个GPU上处理输入，完成后将中间结果传递给 M2，M2在第二个GPU上进行后续操作。

张量并行（TP=8）在模型的每个阶段内（例如M1和 M2），将计算操作分配到8个GPU上进行。如在M1阶段，当输入数据传入时，这些数据将被分割为8份，并分别在8个GPU上同时处理。每个GPU处理一小部分数据，计算获取的结果然后合并。

本文选择vllm + ray的方式分布式部署DeepSeek-R1模型，整体部署架构如下所示。两个vLLM Pod部署在两台EGS上，每个vLLM Pod有8张GPU。两个Pod一个作为Ray head节点，一个作为Ray worker节点。

3.2 准备模型数据

1. 从ModelScope下载模型并上传到OSS上，模型下载链接：

https://modelscope.cn/models/deepseek-ai/DeepSeek-R1

2. 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，请参见文章《基于ACK的DeepSeek蒸馏模型生产环境落地指南》。

3.3 模型部署

3.3.1 安装LeaderWorkerSet

登录容器服务管理控制台[11]，在左侧导航栏选择集群列表。

2. 在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择应用 > Helm。

3. 在Helm页面单击创建，然后在创建页面，将应用名设置为lws，在Chart区域的搜索栏搜索并选中lws，完成后单击下一步，在弹出的对话框中单击是，确认采用lws-system为Chart的默认的命名空间。

4. 在参数配置页面，确认Chart版本和参数信息后，单击确定。

3.3.2 模型部署

vLLM分布式部署架构图

执行以下命令部署服务。

arena serve distributed \   
        --name=vllm-dist \     
        --version=v1 \     
        --restful-port=8080 \    
        --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/vllm:v0.7.2 \ 
        --readiness-probe-action="tcpSocket" \     
        --readiness-probe-action-option="port: 8080" \   
        --readiness-probe-option="initialDelaySeconds: 30" \   
        --readiness-probe-option="periodSeconds: 30" \     
        --share-memory=30Gi \     
        --data=llm-model:/mnt/models \     
        --leader-num=1 \     
        --leader-gpus=8 \      
        --leader-command="/vllm-workspace/ray_init.sh leader --ray_cluster_size=\$(LWS_GROUP_SIZE); vllm serve /mnt/models/DeepSeek-R1 --port 8080 --trust-remote-code --served-model-name deepseek-r1 --enable-prefix-caching --max-model-len 8192 --gpu-memory-utilization 0.98 --tensor-parallel-size 8 --pipeline-parallel-size 2 --enable-chunked-prefill" \   
        --worker-num=1 \  
        --worker-gpus=8 \  
        --worker-command="/vllm-workspace/ray_init.sh worker --ray_address=\$(LWS_LEADER_ADDRESS)"

参数解释如下表所示：

参数	是否必选	说明
--name	是	提交的推理服务名称，全局唯一。
--image	是	推理服务的镜像地址。
--restful-port	是	服务端口。
--version	否	服务版本，默认为当前日期。
--readiness-probe-*	否	为服务配置就绪检测，仅当服务就绪后才可对外提供服务。
--share-memory	否	设置共享内存。
--leader-num	是	leader pod数量，当前只支持设置为1。
--leader-gpus	否	每个leader pod使用的GPU数量。
--leader-command	是	leader pod的启动命令。
--data	否	服务的模型地址，格式为<pvc-name>:<pod-path>。如上文命令llm-model:/mnt/models，即将llm-model PVC挂载到容器/mnt/models目录下。

预期输出：

configmap/vllm-dist-v1-cm create
dservice/vllm-dist-v1 created
leaderworkerset.leaderworkerset.x-k8s.io/vllm-dist-v1-distributed-serving created
INFO[0002] The Job vllm-dist has been submitted successfully
INFO[0002] You can run `arena serve get vllm-dist --type distributed-serving -n default` to check the job status

3.3.3 验证推理服务

1. 执行下列命令，查看分布式推理服务的部署情况。

arena serve get vllm-dist

预期输出

Name:       vllm-dist
Namespace:  default
Type:       Distributed
Version:    v1
Desired:    1
Available:  1
Age:        3m
Address:    192.168.138.65
Port:       RESTFUL:8080
GPU:        16

Instances:  NAME                                  STATUS   AGE  READY  RESTARTS  GPU  NODE 
----                                  ------   ---  -----  --------  ---  ---- 
vllm-dist-v1-distributed-serving-0    Running  3m   1/1    0         8    cn-beijing.10.x.x.x  
vllm-dist-v1-distributed-serving-0-1  Running  3m   1/1    0         8    cn-beijing.10.x.x.x

2. 使用kubectl port-forward在推理服务与本地环境间建立端口转发。

kubectl port-forward svc/vllm-dist-v1 8080:8080

3. 发送模型推理请求

curl http://localhost:8080/v1/completions -H "Content-Type: application/json" -d '{   
     "model": "deepseek-r1",  
     "prompt": "San Francisco is a",  
     "max_tokens": 10,  
     "temperature": 0.6
}'

预期输出：

{"id":"cmpl-15977abb0adc44d9aa03628abe9fcc81","object":"text_completion","created":1739346042,"model":"ds","choices":[{"index":0,"text":" city that needs no introduction. Known for its iconic","logprobs":null,"finish_reason":"length","stop_reason":null,"prompt_logprobs":null}],"usage":{"prompt_tokens":5,"total_tokens":15,"completion_tokens":10,"prompt_tokens_details":null}}

四. 使用Dify

构建DeepSeek问答助手

4.1. 配置DeepSeek模型

1. 登陆Dify应用。登陆后点击头像，选择设置。

2. 点击左侧模型供应商，在右侧找到OpenAI-API-compatible, 点击添加模型。

注意：不要在右侧直接选择DeepSeek，那是接入DeepSeek API的。

模型参数配置如下所示。模型名称为deepseek-r1不可修改。API Key可以随意设置，API endpoint URL为第二步部署的本地DeepSeek服务名称，不可修改。

4.2. 创建聊天助手应用

点击创建空白应用，选择聊天助手，点击创建。

4.3. 验证AI问答助手

现在您可以在页面右侧与DeepSeek进行对话。

总结

本文重点介绍了如何在阿里云容器服务ACK中部署DeepSeek-R1满血版推理模型。DeepSeek-R1模型参数量为671B，单张GPU卡无法加载，因此需要对模型进行切分。本文采用了模型并行（PP=2）与数据并行（TP=8）结合的切分方式，使用arena工具在2台机器上分布式部署DeepSeek-R1满血版模型，当context为8192 tokens时，并发为132.29x。最后我们介绍了如何在Dify应用中接入本地的DeepSeek-R1模型，构建私有DeepSeek问答助手。下篇文章我们将重点介绍如何提升DeepSeek模型推理效率，敬请期待。

《DeepSeek on 阿里云容器服务ACK系列文章》

1. 基于ACK的DeepSeek蒸馏模型生产环境落地指南

https://mp.weixin.qq.com/s/SSGD5G7KL8iYLy2jxh9FOg

2. 使用ACS GPU算力构建DeepSeek蒸馏模型推理服务

https://help.aliyun.com/zh/cs/user-guide/use-acs-gpu-computing-power-to-build-deepseek-distillation-model-reasoning-service

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] vLLM

https://github.com/vllm-project/vllm