什么?Kimi底層推理架構(gòu)剛剛宣布:開!源!了!

　　你沒聽錯(cuò)，就是那個(gè)承載了Kimi線上80%以上流量的架構(gòu)。

　　大約幾小時(shí)前，月之暗面Kimi聯(lián)合清華大學(xué)等機(jī)構(gòu)，開源了大模型推理架構(gòu)Mooncake。

　　根據(jù)官方介紹，本次開源將采用分階段的方式:

　　逐步開源高性能KVCache多級(jí)緩存Mooncake Store的實(shí)現(xiàn)，同時(shí)針對(duì)各類推理引擎和底層存儲(chǔ)/傳輸資源進(jìn)行兼容。

　　其中傳輸引擎Transfer Engine現(xiàn)在已經(jīng)在GitHub全球開源。

　　可以看到，Mooncake一經(jīng)開源，已在GitHub狂攬1.2k star。

　　其最終開源目標(biāo)是，為大模型時(shí)代打造一種新型高性能內(nèi)存語義存儲(chǔ)的標(biāo)準(zhǔn)接口，并提供參考實(shí)現(xiàn)方案。

　　月之暗面Kimi工程副總裁許欣然表示:

　　通過與清華大學(xué)MADSys實(shí)驗(yàn)室緊密合作，我們共同打造了分離式大模型推理架構(gòu)Mooncake，實(shí)現(xiàn)推理資源的極致優(yōu)化。

　　Mooncake不僅提升了Kimi的用戶體驗(yàn)，降低了成本，還為處理長文本和高并發(fā)需求提供了有效的解決方案。

　　我們相信，通過與產(chǎn)學(xué)研機(jī)構(gòu)開源合作，可以推動(dòng)整個(gè)行業(yè)向更高效的推理平臺(tái)方向發(fā)展。

　　實(shí)際上，這個(gè)項(xiàng)目早在今年6月就已啟動(dòng)，當(dāng)時(shí)已受到業(yè)內(nèi)廣泛關(guān)注——

　　大模型推理架構(gòu)Mooncake

　　今年6月，月之暗面和清華大學(xué)MADSys實(shí)驗(yàn)室聯(lián)合發(fā)布了Kimi底層的Mooncake推理系統(tǒng)設(shè)計(jì)方案。

　　在這篇名為《Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving》的論文中，作者詳細(xì)介紹了Mooncake這種系統(tǒng)架構(gòu)。

　　該系統(tǒng)基于以KVCache為中心的PD分離和以存換算架構(gòu)，大幅度提升了推理吞吐。

　　具體而言，Mooncake采用以KVCache為中心的解耦架構(gòu)，將預(yù)填充集群與解碼集群分離，并充分利用GPU集群中未充分利用的CPU、DRAM和SSD資源，實(shí)現(xiàn)KVCache的解耦緩存。

　　其核心在于以KVCache為中心的調(diào)度程序:

　　在最大化整體有效吞吐量和滿足與延遲相關(guān)的服務(wù)級(jí)別目標(biāo) (SLO) 要求之間取得平衡

　　當(dāng)面對(duì)流量高峰期時(shí)，Mooncake通過早期拒絕策略和預(yù)測(cè)未來負(fù)載的方法，來處理超載問題。

　　早期拒絕策略（Early Rejection Policy）

　　簡單說，其核心思想是在請(qǐng)求實(shí)際開始處理之前，根據(jù)當(dāng)前系統(tǒng)的負(fù)載情況預(yù)測(cè)是否有足夠的資源來處理新的請(qǐng)求。

　　如果預(yù)測(cè)結(jié)果表明系統(tǒng)資源不足以保證請(qǐng)求的及時(shí)處理，系統(tǒng)就會(huì)在請(qǐng)求到達(dá)之前予以拒絕，從而避免了無效的資源占用和不必要的延遲。

　　預(yù)測(cè)未來負(fù)載（Predicting Future Load）

　　在Mooncake中，系統(tǒng)需要能夠預(yù)測(cè)在未來一段時(shí)間內(nèi)的負(fù)載情況，以便做出更準(zhǔn)確的接受或拒絕請(qǐng)求的決策。

　　如何實(shí)現(xiàn)呢??

　　通常來說，這種預(yù)測(cè)會(huì)基于當(dāng)前的請(qǐng)求模式、系統(tǒng)的資源使用情況以及歷史數(shù)據(jù)等信息。

　　再通過對(duì)信息的進(jìn)一步分析建模，Mooncake就能夠估計(jì)接下來的請(qǐng)求處理需求，并據(jù)此調(diào)整其調(diào)度策略。

　　論文實(shí)驗(yàn)結(jié)果顯示，與基線方法相比，Mooncake在某些模擬場(chǎng)景中可以實(shí)現(xiàn)高達(dá)525%的吞吐量提升，同時(shí)遵守SLO(與延遲相關(guān)的服務(wù)級(jí)別目標(biāo))。

　　在實(shí)際工作負(fù)載下，Mooncake使Kimi能夠處理75%以上的請(qǐng)求。

　　而且據(jù)許欣然在其他場(chǎng)合透露:

　　目前這套系統(tǒng)承載了Kimi線上80%以上的流量。

　　而現(xiàn)在，為了進(jìn)一步加速該技術(shù)框架的應(yīng)用與推廣，Kimi聯(lián)合清華大學(xué)等機(jī)構(gòu)共同發(fā)布開源項(xiàng)目Mooncake。

　　參與開源的首批陣容包括:

　　AISoft、阿里云、華為存儲(chǔ)、面壁智能、趨境科技等。

　　可以說，云計(jì)算、存儲(chǔ)、AI模型玩家等產(chǎn)學(xué)研力量都聚齊了。

　　據(jù)悉，Mooncake開源項(xiàng)目從論文延伸，以超大規(guī)模KVCache緩存池為中心，通過以存換算的創(chuàng)新理念大幅度減少算力開銷，顯著提升了推理吞吐量。

　　目前Mooncake技術(shù)框架已正式開源上線，官方還表示:

　　歡迎更多企業(yè)和研究機(jī)構(gòu)加入Mooncake項(xiàng)目共建，共同探索更加高效和先進(jìn)的模型推理系統(tǒng)架構(gòu)創(chuàng)新，讓基于大模型技術(shù)的AI助手等產(chǎn)品，持續(xù)惠及更廣泛人群。