大语言模型（LLM）是近年来发展迅猛并且激动人心的热点话题，引入了许多新场景，满足了各行各业的需求。随着开源模型能力的不断增强，越来越多的企业开始尝试在生产环境中部署开源模型，将 AI 模型接入到现有的基础设施，优化系统延迟和吞吐量，完善监控和安全等方面。然而要在生产环境中部署这一套模型推理服务过程复杂且耗时。为了简化流程，帮助企业客户加速部署生成式 AI 模型，本文结合 **NVIDIA NIM**（一套专为安全、可靠地部署高性能 AI 模型推理而设计的微服务，是一套易于使用的预构建容器化工具）和阿里云容器服务 ACK(https://help.aliyun.com/zh/ack/)等产品，提供了一套开箱即用，可以快速构建一个高性能、可观测、灵活弹性的 LLM 模型推理服务的操作指南。

阿里云容器服务 （ACK）云原生 AI 套件

阿里云容器服务 Kubernetes 版 ACK（Container Service for Kubernetes）是全球首批通过 Kubernetes 一致性认证的服务平台，提供高性能的容器应用管理服务，支持企业级 Kubernetes 容器化应用的生命周期管理，让您轻松高效地在云端运行 Kubernetes 容器化应用。

云原生 AI 套件（https://help.aliyun.com/zh/ack/cloud-native-ai-suite/）是阿里云容器服务 ACK 提供的云原生 AI 技术和产品方案。使用云原生 AI 套件，您可以充分利用云原生架构和技术，在 Kubernetes 容器平台上快速定制化构建 AI 生产系统，并为 AI/ML 应用和系统提供全栈优化。云原生 AI 套件支持使用 Kubeflow 社区开源的命令行工具 Arena（https://github.com/kubeflow/arena），对深度学习核心生产环节（包括数据管理、模型训练、模型评估、推理服务部署等）任务进行简单抽象和高效管理，同时降低 Kubernetes 复杂概念带来的使用复杂度。Arena 可以实现分布式训练任务的快速提交，并进行任务的生命周期管理。此外，云原生 AI 套件还提供针对分布式场景优化的调度策略，例如 Binpack 算法分配策略，提升 GPU 利用率，还支持自定义的任务优先级管理和租户弹性资源配额控制，在确保用户资源分配的基础上，通过资源共享的方式来提升集群的整体资源利用率。

阿里云云市场与计算巢一键部署

在阿里云云市场，提供了组件的一键部署服务：https://market.aliyun.com/products/201214006/cmgj00067281.html

方案介绍

本文将介绍如何在阿里云 ACK 集群上，使用云原生 AI 套件集成开源推理服务框架 KServe（https://github.com/kserve/kserve），快速部署 NVIDIA NIM。同时，结合阿里云的 Prometheus 和 Grafana 服务，快速搭建监控大盘，实时观测推理服务状态。利用 NVIDIA NIM 提供丰富的监控指标，如 num_requests_waiting，配置推理服务弹性扩缩容策略。当有突发流量导致推理服务处理请求排队时，能自动扩容新的实例来应对高峰流量。整体解决方案架构如下所示。

本文将介绍在 ACK 集群上部署 NVIDIA NIM 的步骤，总体步骤如下：

1. 创建 ACK 集群并安装云原生 AI 套件，ack-kserve 等组件。
2. 使用 Arena 提交 KServe 推理服务，使用 NIVDIA NIM 容器，部署 Llama3-8B 模型。
3. 为推理服务配置监控，实时观测推理服务状态。
4. 基于排队中请求数指标配置弹性扩缩容策略，自动灵活地调整模型服务实例的规模。

部署流程

首先需要创建包含 GPU 的 Kubernetes 集群，并部署云原生 AI 套件。为了在集群中使用 KServe 管理推理服务，还需要安装 ack-kserve️。集群环境准备好后，就可以参考下列步骤开始部署服务了。

重要

- 您应自觉遵守第三方模型的用户协议、使用规范和相关法律法规，并就使用第三方模型的合法性、合规性自行承担相关责任。

1. 参考 NVIDIA NIM 文档，生成 NVIDIA NGC API key，访问需要部署的模型镜像，比如本文中使用的 Llama3-8b-instruct：

https://docs.nvidia.com/nim/large-language-models/latest/getting-started.html#generate-an-api-key

请阅读并承诺遵守 Llama 模型的自定义可商用开源协议：

https://llama.meta.com/llama-downloads/

2. 创建 imagePullSecret，用于从 NGC 私有仓库拉取 NIM 镜像。

export NGC_API_KEY=<your-ngc-api-key>

kubectl create secret docker-registry ngc-secret \

--docker-server=nvcr.io\

--docker-username='$oauthtoken'\

--docker-password=${NGC_API_KEY}

3. 创建 nvidia-nim-secret，用于在容器内访问 NGC 私有仓库，参考 nim-deploy 部署文档：

https://github.com/NVIDIA/nim-deploy/blob/main/kserve/README.md

kubectl apply -f-<<EOF

apiVersion: v1

kind: Secret

metadata:

 name: nvidia-nim-secrets

stringData:

 NGC_API_KEY: <your-ngc-api-key>

EOF

4. 为目标集群配置存储卷 PV 和存储声明 PVC，后续模型文件将会下载到创建的共享存储中。具体操作，请参见使用 NAS 静态存储卷：

https://help.aliyun.com/zh/ack/ack-managed-and-ack-dedicated/user-guide/mount-statically-provisioned-nas-volumes

以下为示例 PV 的配置信息：

以下为示例 PVC 的配置信息：

5. 执行下列命令，部署一个 KServe 推理服务，使用 NVIDIA NIM 提供的镜像，指定使用一个 NVIDIA GPU，将 PVC 挂载到容器内的 /mnt/models 目录用于保存模型文件，配置 autoscalerClass=external 指定使用自定义 HPA 策略，同时还开启 Prometheus 采集推理服务监控指标，用于后续在 Grafana 中搭建监控大盘。等待容器启动后，即可使用 Llama3-8b-instruct 模型提供推理服务。

arena serve kserve \

   --name=llama3-8b-instruct \

   --image=nvcr.io/nim/meta/llama3-8b-instruct:1.0.0 \

   --image-pull-secret=ngc-secret \

   --gpus=1 \

   --cpu=8 \

   --memory=32Gi \

   --share-memory=32Gi \

   --port=8000 \

   --security-context runAsUser=0 \

   --annotation=serving.kserve.io/autoscalerClass=external \

   --env NIM_CACHE_PATH=/mnt/models \

   --env-from-secret NGC_API_KEY=nvidia-nim-secrets \

   --enable-prometheus=true \

   --metrics-port=8000 \

   --data=nim-model:/mnt/models

预期输出：

INFO[0004] The Job llama3-8b-instruct has been submitted successfully

INFO[0004] You can run `arena serve get llama3-8b-instruct --type kserve -n default` to check the job status

输出结果表明推理服务已部署成功。

6. 推理部署完成后，可通过执行以下命令，查看 KServe 推理服务的部署情况。

arena serve get llama3-8b-instruct

预期输出：

Name:       llama3-8b-instruct

Namespace:  default

Type:       KServe

Version:    1

Desired:    1

Available:  1

Age:        24m

Address:    http://llama3-8b-instruct-default.example.com

Port:       :80

GPU:        1

Instances:

 NAME                                           STATUS   AGE  READY  RESTARTS  GPU  NODE

 ----                                           ------   ---  -----  --------  ---  ----

 llama3-8b-instruct-predictor-545445b4bc-97qc5  Running  24m

   1/1    0         1    ap-southeast-1.172.16.xx.xxx

输出结果表明，KServe 推理服务部署成功，模型访问地址为：

http://llama3-8b-instruct-default.example.com

7. 接下来就可以访问推理服务了，可通过使用获取到的 Nginx Ingress 网关地址访问推理服务。

# Obtain the IP address of the Nginx ingress.

NGINX_INGRESS_IP=$(kubectl -n kube-system get svc nginx-ingress-lb -ojsonpath='{.status.loadBalancer.ingress[0].ip}')

# Obtain the Hostname of the Inference Service.

SERVICE_HOSTNAME=$(kubectl get inferenceservice llama3-8b-instruct -o jsonpath='{.status.url}' | cut -d "/" -f 3)

# Send a request to access the inference service.

curl -H "Host: $SERVICE_HOSTNAME" -H "Content-Type: application/json" http://$NGINX_INGRESS_IP:80/v1/chat/completions -d '{"model": "meta/llama3-8b-instruct", "messages": [{"role": "user", "content": "Once upon a time"}], "max_tokens": 64, "temperature": 0.7, "top_p": 0.9, "seed": 10}'

预期输出：

{"id":"cmpl-70af7fa8c5ba4fe7b903835e326325ce","object":"chat.completion","created":1721557865,"model":"meta/llama3-8b-instruct","choices":[{"index":0,"message":{"role":"assistant","content":"It sounds like you're about to tell a story! I'd love to hear it. Please go ahead and continue with \"Once upon a time...\""},"logprobs":null,"finish_reason":"stop","stop_reason":128009}],"usage":{"prompt_tokens":14,"total_tokens":45,"completion_tokens":31}}

输出结果表明，已经能够通过 Nginx Ingress 网关地址访问推理服务，并成功返回推理结果。

监控

NVIDIA NIM 提供了丰富的 Prometheus 监控指标，比如首 token 时延、当前正在运行的请求数、请求 token 数、生成 token 数等指标。结合阿里云 Prometheus 和 Grafana 服务，可以快速在 Grafana 中搭建监控大盘，实时观测推理服务状态。

1. 已开启阿里云 Prometheus 监控组件。具体操作，请参见开启阿里云 Prometheus 监控：
   https://help.aliyun.com/zh/ack/ack-managed-and-ack-dedicated/user-guide/use-alibaba-cloud-prometheus-service-to-monitor-an-ack-cluster?spm=a2c4g.11186623.0.0.612b63c5QDfm5F#section-o0u-mkk-58y
   
   
2. 创建 grafana 工作区，登录 Grafana 的 Dashboards 页面。
   
   
3. 导入 NVIDIA NIM 提供的 dashboard 样例：
   https://docscontent.nvidia.com/sphinx/0000018f-7ee8-d345-a7bf-ffeadf9c0000/0000018f-7ee7-db2d-a1ff-7ef744750000/nim/large-language-models/latest/_downloads/66e67782ce543dcccec574b1483f0ea0/nim-dashboard-example.json
   

成功导入后，dashboard 示例如下

弹性伸缩

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。

基于排队请求数配置自定义指标的弹性扩缩容策略

自定义指标的扩缩容依赖 ACK 提供的 ack-alibaba-cloud-metrics-adapter 组件与 Kubernetes HPA 机制实现。详细信息，请参见基于阿里云 Prometheus 指标的容器水平伸缩：

https://help.aliyun.com/zh/ack/serverless-kubernetes/user-guide/horizontal-pod-scaling-based-on-prometheus-service-metrics-1

以下示例演示如何基于 NVIDIA NIM 提供的 num_requests_waiting 指标配置扩缩容策略。

1. 已部署阿里云 Prometheus 和 ack-alibaba-cloud-metrics-adapter，请参见基于阿里云 Prometheus 指标的容器水平伸缩：
   https://help.aliyun.com/zh/ack/serverless-kubernetes/user-guide/horizontal-pod-scaling-based-on-prometheus-service-metrics-1
   
   
2. 在 Helm 列表的操作列，单击 ack-alibaba-cloud-metrics-adapter 对应的更新。在 custom 字段下添加如下 rules。
   

- seriesQuery: num_requests_waiting{namespace!="",pod!=""}

 resources:

   overrides:

     namespace: {resource: "namespace"}

     pod: {resource: "pod"}

 metricsQuery: sum(<<.Series>>{<<.LabelMatchers>>}) by (<<.GroupBy>>)

3. 通过 Custom Metrics 进行容器伸缩，示例配置了当等待中的请求数超过 10 则进行扩容。

使用以下内容，创建 hpa.yaml 文件。

apiVersion: autoscaling/v2

kind: HorizontalPodAutoscaler

metadata:

 name: llama3-8b-instruct-hpa

 namespace: default

spec:

 # The minReplicas and maxReplicas for the HPA.

 minReplicas: 1

 maxReplicas: 3

 # An array of monitoring metrics that supports the coexistence of multiple types of metrics.

 metrics:

 - pods:

     metric:

       name: num_requests_waiting

     target:

       averageValue: 10

       type: AverageValue

   type: Pods

 # The scaling target description for the HPA, which dynamically adjusts the number of Pods for the target object.

 scaleTargetRef:

   apiVersion: apps/v1

   kind: Deployment

   name: llama3-8b-instruct-predictor

执行以下命令，创建 HPA 应用。

kubectl apply -f hpa.yam

执行以下命令，创建 HPA 应用。

kubectl  get hpa llama3-8b-instruct-hpa

预期输出：

NAME                     REFERENCE                                 TARGETS   MINPODS   MAXPODS   REPLICAS   AGE

llama3-8b-instruct-hpa   Deployment/llama3-8b-instruct-predictor   0/10      1         3         1          34s

4. 执行以下命令，对服务进行压测。
   说明 Hey 压测工具的详细介绍，请参

https://github.com/rakyll/hey

hey -z 5m -c 400 -m POST -host $SERVICE_HOSTNAME -H "Content-Type: application/json" -d '{"model": "meta/llama3-8b-instruct", "messages": [{"role": "user", "content": "Once upon a time"}], "max_tokens": 64}' http://$NGINX_INGRESS_IP:80/v1/chat/completions

5. 在压测期间，重新打开一个终端，执行以下命令查看服务的扩缩容情况。

kubectl describe hpa llama3-8b-instruct-hpa

预期输出包含如下内容：

Events:

 Type    Reason             Age   From                       Message

 ----    ------             ----  ----                       -------

 Normal  SuccessfulRescale  52s   horizontal-pod-autoscaler  New size: 3; reason: pods metric num_requests_waiting above target

1. 预期输出表明在压测期间 Pod 数会扩容到 2，而当压测结束后，经过一段时间（约为 5 分钟），Pod 缩容到 1。即可以实现自定义指标的扩缩容。
   

总结

本文通过在阿里云容器服务 ACK 上部署 NVIDIA NIM，结合阿里云 Prometheus 和 Grafana 服务，快速在 Grafana 中搭建监控大盘，实时观测推理服务状态。为应对模型推理服务面临的动态负载波动，基于排队中的请求数配置自定义指标的弹性扩缩容策略，使模型推理服务实例根据等待中的请求数动态扩缩容。通过以上方式，可以快速构建一个高性能、可观测、极致弹性的模型推理服务。

相关链接：

1、基于NVIDIA NIM快速部署LLM模型推理服务：https://market.aliyun.com/products/201214006/cmgj00067281.html

2、NVIDIA AIE-License授权：https://market.aliyun.com/products/201214006/cmfw00067311.html