用于分类 GPU 推理的拓扑感知数据移动

arXiv:2607.28633v1 公告类型：新 摘要：分类 LLM 推理会造成数据中心网络问题，现有系统无法正确解决该问题。当预填充和解码在不同的 GPU 池上运行时，必须在它们之间传输 KV 缓存。对于 70B 型号，每个请求为 2.6 GB，在生产规模上超过 100 GB/s 聚合。然而，DistServe、Splitwise 和 Mooncake 都使用统一的 RDMA，忽略了两个 GPU 之间的带宽根据其物理关系变化了 72 倍：域内通过 NVLink 实现 900 GB/s，跨节点通过 InfiniBand 实现 50 GB/s，跨数据中心通过 TCP 实现 12.5 GB/s。我们设计了一个拓扑感知的传输编排器，它在启动时发现互连层次结构，并为每次传输选择最佳传输。三种机制协同工作：(1) 管道式逐层传输，将传输与正在进行的预填充重叠，将 60% 到 85% 的延迟隐藏在计算后面； (2) NVLink 专家混合模型的域感知布局，可与 KV 缓存局部性共同优化专家调度； (3) CXL 3.0 内存扩展器作为共享溢出层，提供 6 倍的容量，同时延迟比 NVMe 低 86 倍。全面评估需要具有异构互连的多节点集群和 CXL 3.0 硬件，这超出了学术资源范围，并且尚未在 GPU 云中提供。我们展示了跨三种架构的分析带宽模型、组件实现和预测分析，显示比统一 RDMA 传输延迟减少了 3 至 18 倍。