随着 LLM 进入真实业务环境，LLM Serving 面临的问题正从单纯的单次推理加速，扩展到集群层面的资源调度与运行效率。一次请求的计算成本不仅取决于模型参数量，还受到输入输出 Token 长度、用户交互方式、上下文复用以及请求路由策略影响。

论文《A Year in LLM Serving: Workload Evolution,Caching and Load-Balancing》分析了一份覆盖一年的真实生产 LLM Serving Trace，包含 61.2 亿次请求、31.5 万用户、9174 个模型以及约 87.6 万个服务实例。

研究聚焦在两个问题：真实环境中的 LLM Serving 工作负载到底呈现什么规律？这些规律又如何影响 Cache 和负载均衡设计？通过大规模生产数据揭示了一条完整链路：LLM 工作负载持续变化，Prefix Cache 复用呈现明显时间规律，而多节点部署进一步引出了局部缓存性与负载均衡之间的系统权衡。

从 61 亿次请求重新认识 LLM Serving 工作负载

过去很多 LLM 系统优化依赖 Benchmark，它可以帮助开发者比较：

• 模型推理速度；

• 平均延迟；

• 吞吐能力。

但生产环境中的请求模式更加复杂。用户不会按照固定模板调用模型，不同业务会产生不同长度的上下文，不同模型也会承担不同任务。因此，一个 Serving 系统如果只根据请求数量或者单次测试结果进行优化，很难准确反映真实运行状态。

论文选择从生产数据出发，分析了一份来自 CompanyX 的一年 LLM Serving Trace。

图注：CompanyX 生产 Trace 数据规模概览

数据规模包括：

• 61.2 亿次请求；

• 31.5 万用户；

• 9174 个模型；

• 87.6 万个服务实例。

相比短时间 Benchmark，这份 Trace 覆盖了更长时间周期，也包含用户、模型、请求和实例多个维度的信息。

图注：一年内 LLM Serving 工作负载变化趋势

论文发现，LLM Serving 工作负载并不是固定不变的。随着时间变化：

• 请求规模会变化；

• 模型使用情况会变化；

• 用户行为会变化；

• Token 分布也会变化。

因此，Serving 系统不能只针对某个时间点的流量状态优化，而需要理解长期工作负载演化规律。但请求数量本身仍然不足以描述 LLM Serving 压力。LLM 请求最大的特点在于一次调用背后的计算成本高度依赖请求内容。这引出了论文接下来关注的问题：不同请求究竟如何改变 Serving 负载？

长 Prompt、短输出正在改变推理压力

LLM 推理通常包含两个阶段：

• Prefill：处理输入上下文并构建中间状态；

• Decode：基于已有状态逐步生成输出 Token。

输入长度主要影响 Prefill 成本，输出长度影响 Decode 持续时间。因此，相同数量的请求，并不代表相同的计算压力。

图注：不同模型输入输出 Token 分布差异

论文分析发现，不同模型承担的任务类型不同，输入输出 Token 分布存在明显差异。部分模型面对大量长上下文请求，部分模型更多处理短交互任务。这种差异直接影响：

• GPU 计算压力；

• Prefill 与 Decode 的资源占比；

• 系统容量规划。

研究进一步观察到随着用户任务复杂化，输入上下文长度持续增长，而输出 Token 并没有同步增加。生产工作负载正逐渐呈现：长输入、短生成。这种变化增加了长上下文处理带来的 Prefill 压力，也提高了上下文复用优化的价值。

过去系统更多关注模型生成速度，而在真实环境中，请求形态本身已经成为影响 Serving 性能的重要因素。这一变化也带来了另一个系统问题：如果大量请求包含相似上下文，是否可以避免重复计算？这正是 Prefix Cache 需要解决的问题。

Prefix Cache 中的短周期复用规律

在长上下文场景中，重复计算是一个重要成本。Prefix Cache 的目标，是复用已经处理过的上下文计算结果。例如，用户持续让模型分析同一个代码仓库：第一次请求需要处理完整上下文，后续请求如果继续围绕相同内容展开，系统可以复用已有 Prefix Cache，减少重复 Prefill。

但论文关注的问题不是 Prefix Cache 是否有效，而是真实生产环境中的复用机会到底是什么样。作者通过一年 Trace 分析发现，Prefix Cache 的访问模式与传统缓存存在明显差异。

图注：Prefix Cache 命中分布

论文发现，Prefix Cache 命中呈现明显双峰分布。大量请求：

• 几乎没有复用；

• 或者能够获得较高比例复用。

中间状态相对较少，该结果表明，Prefix Cache 收益高度依赖用户交互模式。连续多轮任务可能产生大量复用，而一次性独立请求则很难获得收益。

另一个重要发现是，Prefix Cache reuse 具有明显时间局部性。

图注：Cache reuse 时间间隔分布

数据显示，约 50% 的复用请求在 0.1 秒内再次出现，80% 在 10 秒内发生，99% 的重用集中在 15 分钟以内。

这一规律为缓存生命周期设计提供了参考：系统无需简单追求无限期保存历史缓存，而应结合真实访问周期设计缓存保留策略。

传统 Cache 策略在 LLM Serving 中的适用边界

理解 Prefix Cache 的访问规律后，论文进一步研究现有缓存淘汰策略是否适用于 LLM Serving。作者比较了多种缓存策略，包括：FIFO、LRU、ARC、Sieve、Belady。

图注：不同 Prefix Cache 策略效果比较

结果显示，在该生产 Trace 条件下，面向传统 Web 和存储场景设计的复杂 Cache 策略并没有展现出明显优势，FIFO、LRU 等简单策略反而表现出较好的稳定性。原因就在于 LLM Prefix Cache 的访问模式与传统缓存存在差异。传统缓存通常依赖：

• 访问频率；

• 长期热度；

• 历史访问趋势。

而 Prefix Cache 中，大量前缀呈现出更明显的短周期特征：一次连续交互期间，缓存价值快速提升；交互结束后，访问机会迅速下降。

作者分析认为，传统基于历史访问模式预测未来价值的方法，在这种短周期复用场景下优势有限。对于 LLM Serving 来说，缓存系统需要关注哪些上下文正在被持续使用，而不是简单判断哪些数据过去访问最多。

多节点 Serving 中局部缓存性与负载均衡的权衡

单机缓存策略解决的是“保存什么状态”，但当 LLM Serving 扩展到多节点集群后，还需要解决另一个问题：请求应该发送到哪里。

传统负载均衡通常希望让请求尽可能平均分布。这样可以：

• 避免单节点压力过高；

• 提高 GPU 利用率。

但 Prefix Cache 引入了新的约束：请求发送到哪个节点，会影响后续缓存复用。

例如：第一次请求被发送到实例 A，实例 A 保存了对应上下文的 Prefix Cache。用户继续围绕相同上下文交互，如果后续请求继续发送到 A，系统可以复用已有 Cache。但如果负载均衡策略将请求发送到实例 B，实例 B 没有对应缓存，需要重新计算。

因此，系统同时面对两个目标：

• 请求分散，提高资源均衡；

• 请求保持局部，提高缓存复用。

这形成了 LLM Serving 中新的系统权衡——局部缓存性与负载均衡。

不同路由策略中的取舍

论文通过 Trace Simulation 分析了不同路由策略的影响。

图注：不同路由策略模拟结果

四种策略：

Round Robin 和 Load First 更关注资源均衡。它们能够避免请求集中到少数节点，但不会考虑当前节点是否已经保存相关 Prefix Cache。结果是系统获得更好的负载分布，但可能牺牲缓存复用。

Sticky 路由策略尝试保持用户与节点之间的关联。这种方式能够提高上下文连续性，但如果部分用户产生大量请求，也可能导致节点负载不均。

Cache First 则进一步考虑节点上的缓存状态，如果某个节点已经拥有相关 Prefix Cache，系统优先继续利用该节点。这样可以减少：

• Cache 重复存储；

• 重复 Prefill；

• 无效计算。

Cache-aware 路由中的系统权衡

论文进一步量化了 Cache 与负载均衡之间的权衡。其中一个关键指标是缓存复制率，它衡量：相同 Prefix Cache 在多个节点重复保存的程度。如果路由只关注负载均衡，相同上下文可能被分散到不同机器。结果同一份 Cache 被复制多份，占用额外 GPU 显存资源，降低缓存容量利用率。

实验表明 Cache First 能够降低缓存复制，同时保持较高 Cache 利用率。相比完全追求负载均衡的策略，Cache-aware 路由策略需要接受一定程度的负载偏差。

根据论文实验，Cache First 在提升局部缓存性的同时，负载不均衡度增加约 5%～7%。这一结果说明在真实 LLM 工作负载下，完全均衡并不一定是最优目标。适当利用请求局部性，可以换取更高的计算复用效率。

跨节点搬运 KV Cache 的高成本

面对局部缓存性问题，一个自然方案是如果目标节点没有 Cache，就直接把 KV Cache 传过去。但长上下文场景下，KV Cache 本身可能达到较大规模。

论文进一步分析了这种方式的成本，当上下文规模达到几十万 Token 级别时，跨节点传输 KV Cache 可能产生明显网络开销。相比之下，让请求继续访问已有 Cache 所在节点，可能更加高效。因此，对于长上下文 Serving：计算就地访问可能比跨节点搬运数据更具实际价值。

从真实 Trace 重新理解 LLM Serving 系统设计

《A Year in LLM Serving》没有提出一个新的推理框架，也没有给出一套可以直接复制的生产架构。论文的核心价值，在于通过一年、61 亿次请求的真实 Trace，展示了大规模 LLM 服务中的几个系统规律。

第一，LLM Serving 工作负载持续变化。请求数量、模型使用方式以及 Token 分布都会随时间变化，系统设计需要建立在真实工作负载分析之上。

第二，Prefix Cache 的收益高度依赖用户行为。缓存价值来自上下文复用，而不是单纯来自模型热度或者请求数量。

第三，多节点 Serving 中，路由策略需要同时考虑资源状态和缓存状态。

请求调度不能只关注当前节点负载和 GPU 利用率。还需要考虑哪些节点已经拥有计算状态，哪些请求具有复用价值。

从这份 61 亿次请求的生产 Trace 中，开发者可以看到未来 LLM Serving 优化不会只围绕“让模型运行更快”。系统还需要理解：用户如何使用模型；哪些请求能够复用已有状态；计算状态应该如何在集群中流动。

模型能力决定应用上限，而 Serving 系统决定这些能力如何被稳定、高效地交付。

研究的适用边界

需要说明的是，该论文研究的是真实生产环境中的 LLM Serving 工作负载分析，以及这些观察对系统设计的启示。

它并没有证明：

• Cache First 适用于所有生产环境；

• 所有 LLM 服务都应该采用相同路由策略；

• Prefix Cache 一定是所有场景下的最佳优化方向。

不同业务仍然存在不同约束：

• 实时延迟要求；

• 用户交互模式；

• GPU 规模；

• 模型数量；

• 成本目标。

例如，从这些结果推测，高度依赖连续多轮 Agent 交互的场景可能拥有更高 Cache 收益，但也可能带来更强节点粘性和负载倾斜。因此，这篇论文提供的是一套来自真实生产数据的系统观察。具体工程设计仍需要结合业务环境进一步验证。