logo

循环式Transformer上线:配置、监控与回滚

作者:c4t2026.11.16 11:53浏览量:1

简介:面向上线循环式Transformer的工程师,给出停止规则与KV缓存的判定方法、可直接执行的systemd启动步骤、Prometheus告警阈值示例,以及灰度发布、回滚和降级响应的操作规则。按本文清单执行,可以在循环次数异常、延迟抖动或显存上涨时更快定位原因并恢复服务。

一、适用范围与核心边界

本文面向已经实现循环路由的推理服务,不讨论训练算法。典型代表是 Universal Transformer(Dehghani 等,2018),它让同一组层权重沿序列位置重复执行,并用 ACT(Adaptive Computation Time,Graves,2016)决定每个位置何时停止。循环深度模型(looped transformer)同样属于这一类。

以下情况不在本文范围内:训练阶段的算法改动,非循环路由的普通 Transformer 服务,以及允许客户端自行指定循环次数的接口。

部署上最大的变化是推理从固定深度变为动态深度。同一批请求的循环次数可能各不相同。服务端必须设置循环上限,并记录每个请求的实际循环次数,否则延迟和显存都无法预估。

二、停止规则与 KV 缓存判定

2.1 停止规则

常见做法有两种。第一种是每轮输出一个停止概率 p_t,累计值达到阈值(例如 1 - ε,ε 取 0.01)时退出。第二种是固定最大步数 N_max,到达上限时强制截止。两者应同时保留:前者负责正常退出,后者防止异常请求无限循环。

训练和推理的停止规则必须一致。若训练时按停止概率对各轮输出做加权平均,推理时却用硬阈值截断,同一输入的输出分布会发生偏移。上线前应使用固定样本集,比较训练代码和推理代码的循环次数分布。两者差异过大时不应上线。

2.2 KV 缓存策略

自回归生成时,每轮循环都会产生新的 Key 和 Value。常见实现有两种策略:

  • 独立缓存:每轮写入新的缓存槽位。显存占用随最大循环次数线性增长。
  • 共享缓存:每轮覆盖同一组槽位。显存更省,但必须明确已停止的位置是继续参与注意力计算,还是被冻结。

判定方法如下。

  1. 确认推理配置中是否提供相应开关。本文示例使用 kv_cache.mode(取值 independent 或 shared)和 kv_cache.freeze_halted(取值 true 或 false)。这两个键名仅作示例,请以推理代码的实际配置项为准。
  2. 准备一批固定验证样本,建议不少于 500 条,同时覆盖 qa 与 analysis 两个场景。
  3. 分别运行三组配置:独立缓存;共享缓存加冻结;共享缓存不冻结。记录输出一致率、P95 延迟和峰值显存。
  4. 选择规则:若共享缓存的关键答案与独立缓存的一致率达到评测团队确定的阈值(例如不低于 99%),且显存节省明显,则选择共享缓存。否则选择独立缓存。在共享缓存中,应优先选择冻结,并以压测结果确认其输出与显存表现。

2.3 资源公式

  1. 平均延迟 ≈ 预处理耗时 + 平均循环次数 × 单轮耗时 + 解码耗时
  2. 峰值显存 ≈ 模型常驻显存
  3. + 最大批次激活显存
  4. + KV缓存(独立缓存时 × 最大循环次数)
  5. + 循环临时缓冲区

单轮耗时和显存必须通过压测获得,不能只按参数量估算。压测需记录并发数、输入与输出长度、batch size、采样参数(temperature、top_p)、预热次数和重复轮数。只有在相同口径下的数字才可以相互比较。

三、架构、接口与版本信息

请求链路如下:

  1. 客户端
  2. ↓ HTTPS
  3. 网关(认证、限流、请求大小限制)
  4. ↓
  5. 负载分发(只转发到 readyz 通过的实例)
  6. ↓
  7. 推理实例(每张 GPU 一个进程)
  8. ↓
  9. 日志与指标采集

接口约定如下:

  • 推理接口:POST /v1/generate。请求体只接受 tier(场景等级)和 prompt,不接受客户端直接传入循环次数。
  • 健康检查:GET /healthz 只表示进程存活。GET /readyz 表示模型已加载且预热请求已完成,返回 200 才允许接收流量。
  • 指标:GET /metrics,供 Prometheus 抓取。

请求与响应示例(字段以本文约定为准):

  1. {"tier": "analysis", "prompt": "请分析以下数据的趋势……"}
  1. {
  2. "output": "……",
  3. "tier": "analysis",
  4. "loop_steps": 9,
  5. "degraded": false,
  6. "error_code": null,
  7. "policy_version": "routing-2026.11.01"
  8. }

模型目录中的 version-info.json 需包含以下字段:

  1. {
  2. "model_version": "v2026.11.01",
  3. "weights_sha256": "由 sha256sum 生成的校验值",
  4. "routing_policy_version": "routing-2026.11.01",
  5. "runtime_image": "loop-serve:1.4.2",
  6. "eval_report_uri": "评测报告的存储地址",
  7. "created_at": "2026-11-01T08:00:00+08:00"
  8. }

失败隔离规则如下。实例的 readyz 连续失败时,负载分发立即摘除该实例。同一实例在 5 分钟内出现 3 次请求超时,同样摘除,隔离 60 秒后再探活。

四、环境准备与资源检查

下表版本仅为示例,需要按实际模型实现核对。

组件 示例版本
操作系统 Ubuntu 22.04
NVIDIA 驱动 535 及以上
CUDA 12.1
Python 3.10
PyTorch 2.3.1
FastAPI 0.110.0
uvicorn 0.29.0
prometheus-client 0.20.0

依赖版本写入锁文件 requirements.lock,开发、测试和生产环境统一使用该文件安装。部署前执行以下命令核对环境:

  1. nvidia-smi --query-gpu=name,driver_version,memory.total --format=csv
  2. nvcc --version
  3. python3 --version
  4. /opt/loop-serve/venv/bin/pip freeze > /tmp/freeze.txt
  5. diff <(sort /tmp/freeze.txt) <(sort /opt/loop-serve/requirements.lock)
  6. /opt/loop-serve/venv/bin/pip check

diff 的输出应为空。若 pip freeze 中有锁文件之外的包,应先清理环境再部署。

资源检查项如下:

  • 单卡显存应大于常驻显存、峰值激活与 KV 缓存之和,并预留 15% 余量。
  • 磁盘空间至少为模型文件大小的两倍,一份用于当前版本,一份用于回滚。
  • 主机内存应大于模型加载时的峰值占用。
  • max_concurrent_requests 控制同时在处理中的请求数,max_batch_size 控制单次前向计算的批次大小。前者应不大于“单卡可承载的批次数 × 每批请求数”的合理上限。若出现 OOM,优先降低 max_batch_size 和 max_input_tokens,再考虑降低并发。

五、部署步骤与配置

第一步:创建运行账号与目录

  1. sudo useradd --system --no-create-home loopsvc
  2. sudo mkdir -p /opt/loop-serve /models /var/log/loop-serve
  3. sudo chown loopsvc:loopsvc /var/log/loop-serve

/models 以只读方式挂载给服务进程,日志目录单独授予写权限。

第二步:校验模型文件

  1. cd /models/v2026.11.01
  2. sha256sum -c weights.sha256
  3. cat version-info.json

校验失败时立即停止部署。多分片权重必须全部来自同一版本。

第三步:编写服务配置

创建模型软链接,便于切换版本:

  1. sudo ln -sfn /models/v2026.11.01 /models/current

/opt/loop-serve/config.yaml:

  1. service:
  2. host: 0.0.0.0
  3. port: 8080
  4. request_timeout_seconds: 20
  5. max_input_tokens: 2048
  6. max_concurrent_requests: 32
  7. model:
  8. path: /models/current
  9. dtype: bfloat16
  10. device: cuda:0
  11. max_batch_size: 8
  12. routing:
  13. policy_file: /models/current/routing-policy.json
  14. client_override: false
  15. logging:
  16. level: INFO
  17. file: /var/log/loop-serve/app.log
  18. redact_fields: [prompt, authorization]

device 写 cuda:0 即可。每个进程通过 CUDA_VISIBLE_DEVICES 绑定到一张物理 GPU,进程内部始终看到的是 cuda:0。

routing-policy.json 由服务端控制循环上限,客户端只能选择场景等级:

  1. {
  2. "policy_version": "routing-2026.11.01",
  3. "min_loop_steps": 2,
  4. "max_loop_steps": 12,
  5. "default_loop_steps": 6,
  6. "halt_threshold": 0.99,
  7. "tiers": {
  8. "qa": {"max_loop_steps": 6},
  9. "analysis": {"max_loop_steps": 12}
  10. },
  11. "per_request_timeout_seconds": 20,
  12. "on_loop_error": "return_last_state"
  13. }

第四步:启动服务

每张 GPU 运行一个独立进程,使用 systemd 模板单元管理。以下示例以 GPU 0 和 GPU 1 为例。

为每个实例创建环境文件 /opt/loop-serve/env/0.env:

  1. CUDA_VISIBLE_DEVICES=0
  2. PORT=8081
  3. LOOP_SERVE_CONFIG=/opt/loop-serve/config.yaml

/opt/loop-serve/env/1.env 中把 CUDA_VISIBLE_DEVICES 改为 1,PORT 改为 8082。

创建 /etc/systemd/system/loop-serve@.service:

  1. [Unit]
  2. Description=loop-serve inference instance %i
  3. After=network-online.target
  4. Wants=network-online.target
  5. StartLimitIntervalSec=300
  6. StartLimitBurst=5
  7. [Service]
  8. User=loopsvc
  9. Group=loopsvc
  10. WorkingDirectory=/opt/loop-serve
  11. EnvironmentFile=/opt/loop-serve/env/%i.env
  12. ExecStart=/opt/loop-serve/venv/bin/uvicorn app.main:app --host 0.0.0.0 --port ${PORT} --workers 1
  13. Restart=on-failure
  14. RestartSec=5
  15. NoNewPrivileges=true
  16. ProtectSystem=strict
  17. ReadOnlyPaths=/models
  18. ReadWritePaths=/var/log/loop-serve
  19. [Install]
  20. WantedBy=multi-user.target

--workers 1 是必须的。每个进程只持有一份模型,多 worker 会重复加载模型并占满显存。

端口以环境文件中的 PORT 为准。上线前需确认服务代码会读取该端口,若代码只读取 config.yaml 中的 service.port,则应为每个实例生成独立配置文件。

启动并检查:

  1. sudo systemctl daemon-reload
  2. sudo systemctl enable --now loop-serve@0.service loop-serve@1.service
  3. systemctl status loop-serve@0.service --no-pager
  4. journalctl -u loop-serve@0.service -n 50 --no-pager
  5. curl -fsS http://127.0.0.1:8081/readyz

readyz 返回 200 之后,才把实例加入负载分发。启动失败时,先查看 journalctl 输出,不要直接反复重启。

六、监控与告警

6.1 指标

下表指标名为示例,需与服务代码中的 prometheus-client 定义保持一致。

指标 类型 含义
loop_serve_loop_steps histogram,标签 tier 每个请求的实际循环次数
loop_serve_loop_limit_hits_total counter,标签 tier 命中循环上限的请求数
loop_serve_request_timeouts_total counter,标签 instance 超时请求数
loop_serve_requests_total counter,标签 tier、degraded 请求总数,并区分降级结果
loop_serve_gpu_memory_bytes gauge,标签 instance 单卡显存占用

6.2 常用查询

  1. # 循环次数 P95(按场景)
  2. histogram_quantile(0.95, sum(rate(loop_serve_loop_steps_bucket[10m])) by (le, tier))
  3. # 循环上限命中率
  4. sum(rate(loop_serve_loop_limit_hits_total[15m])) by (tier)
  5. / sum(rate(loop_serve_requests_total[15m])) by (tier)
  6. # 请求超时率(按实例)
  7. sum(rate(loop_serve_request_timeouts_total[5m])) by (instance)
  8. / sum(rate(loop_serve_requests_total[5m])) by (instance)
  9. # 降级结果占比
  10. sum(rate(loop_serve_requests_total{degraded="true"}[10m]))
  11. / sum(rate(loop_serve_requests_total[10m]))
  12. # 显存一小时增长比例
  13. (loop_serve_gpu_memory_bytes - loop_serve_gpu_memory_bytes offset 1h)
  14. / loop_serve_gpu_memory_bytes offset 1h

6.3 告警规则示例

  1. groups:
  2. - name: loop-serve
  3. rules:
  4. - alert: LoopStepsP95High
  5. expr: histogram_quantile(0.95, sum(rate(loop_serve_loop_steps_bucket[10m])) by (le, tier)) > 10
  6. for: 10m
  7. labels: {severity: warning}
  8. annotations:
  9. summary: "循环次数 P95 偏高(tier={{ $labels.tier }})"
  10. - alert: LoopLimitHitRateHigh
  11. expr: sum(rate(loop_serve_loop_limit_hits_total[15m])) by (tier) / sum(rate(loop_serve_requests_total[15m])) by (tier) > 0.3
  12. for: 15m
  13. labels: {severity: warning}
  14. - alert: RequestTimeoutRateHigh
  15. expr: sum(rate(loop_serve_request_timeouts_total[5m])) by (instance) / sum(rate(loop_serve_requests_total[5m])) by (instance) > 0.02
  16. for: 5m
  17. labels: {severity: critical}
  18. - alert: GpuMemoryGrowing
  19. expr: (loop_serve_gpu_memory_bytes - loop_serve_gpu_memory_bytes offset 1h) / loop_serve_gpu_memory_bytes offset 1h > 0.05
  20. for: 15m
  21. labels: {severity: warning}
  22. - alert: DegradedRatioHigh
  23. expr: sum(rate(loop_serve_requests_total{degraded="true"}[10m])) / sum(rate(loop_serve_requests_total[10m])) > 0.01
  24. for: 10m
  25. labels: {severity: critical}

阈值是示例值。上线前应以压测基线为准,并在观察两周后调整。qa 与 analysis 的循环上限不同,LoopStepsP95High 的阈值也应分开设置,例如 qa 设为 5,analysis 设为 10。显存告警需要排除正常的批次波动,因此 for 时长不宜过短。

七、灰度发布与回滚

7.1 灰度发布

发布前保留旧版本目录,例如 /models/v2026.10.15,不要删除。

按下列阶段推进。以实例数近似代表流量比例,若网关支持权重,则直接按权重分配。

阶段 新版本流量 观察窗口
1 约 5%(1 个实例) 30 分钟
2 约 25%(2 个实例) 60 分钟
3 100% 持续 24 小时

进入下一阶段须同时满足以下条件:

  • 5xx 比例低于 0.5%。
  • 请求超时率不超过告警阈值的一半。
  • 相对旧版本基线,P95 延迟增幅不超过 20%。
  • 降级结果占比低于 1%。
  • 循环次数 P95 相对基线增幅不超过 15%。
  • 没有 readyz 反复摘除的情况。

任一条件不满足时,停止推进,并保持当前比例。

7.2 摘除实例

需要替换某个实例时,先在负载分发侧将其权重设为 0,等待进行中的请求结束。等待时间不超过 request_timeout_seconds,即 20 秒。然后再执行切换与重启。

7.3 回滚步骤

回滚通过切换软链接完成,旧版本文件不会被修改。

  1. # 1. 确认旧版本文件完整
  2. cd /models/v2026.10.15 && sha256sum -c weights.sha256
  3. # 2. 切换软链接
  4. sudo ln -sfn /models/v2026.10.15 /models/current
  5. # 3. 逐个重启实例(每次一个,等待 readyz 恢复后再重启下一个)
  6. sudo systemctl restart loop-serve@0.service
  7. curl -fsS http://127.0.0.1:8081/readyz
  8. sudo systemctl restart loop-serve@1.service
  9. curl -fsS http://127.0.0.1:8082/readyz
  10. # 4. 核对版本
  11. curl -fsS http://127.0.0.1:8081/v1/generate -X POST -H 'Content-Type: application/json' \
  12. -d '{"tier":"qa","prompt":"健康检查"}'
  13. grep -E 'model_version|routing_policy_version' /models/current/version-info.json

回滚后检查以下内容:version-info.json 中的 model_version 与 routing_policy_version 是否为旧版本;响应中的 policy_version 是否一致;降级占比和超时率是否回到基线。若 weights.sha256 校验失败,不得使用该目录,应改用上一个已校验通过的版本。

八、降级响应规则

on_loop_error 设为 return_last_state 时,循环异常会返回最后一轮的输出,并在响应中标记 degraded: true。这一机制用于避免异常请求长时间占用实例。

降级结果有以下使用限制:

  • 只适用于能容忍不完整输出的场景。是否启用,需要由业务方确认。涉及结论、金额、合规判断的场景应直接返回错误,不使用降级结果。
  • 响应必须同时返回 degraded: true、实际循环次数 loop_steps 和错误码 error_code。调用方必须检查 degraded 字段,不能把降级结果当作正常结果展示或存储。
  • 每次降级都要写入日志,并计入 loop_serve_requests_total{degraded="true"},同时触发 DegradedRatioHigh 告警。
  • 日志只记录 error_code 与循环次数,不记录 prompt 原文。

九、排错清单

定位问题时,先看指标,再看日志,最后再改配置。

9.1 循环次数异常

  1. 查看 LoopStepsP95High 对应的 tier,确认是某个场景还是全部场景偏高。
  2. 查看 loop_serve_loop_limit_hits_total 的增速。若大量请求命中上限,多半是输入分布变化,或 halt_threshold 被误改。
  3. 对比当前 routing-policy.json 与 version-info.json 中的 routing_policy_version,确认策略文件版本一致。
  4. 用第二章的固定样本重新跑一次循环次数分布,与上线时的基线比较。

9.2 延迟抖动

  1. 检查 loop_serve_request_timeouts_total 是否集中在某个实例。若集中,查看该实例的显存与 GPU 利用率,并确认它没有被其他进程占用。
  2. 检查请求长度分布。输入超过 max_input_tokens 的请求应已被拒绝,若仍有长输入进入,检查网关限制。
  3. 检查是否有 readyz 摘除和重新接入的记录。频繁摘除会让剩余实例负载上升。
  4. 对比单轮耗时的压测基线。若单轮耗时上升而循环次数未变,多为硬件、驱动或并发过高导致。

9.3 显存上涨

  1. 查看 GpuMemoryGrowing 告警的时间点,确认是否与发布、版本切换或流量高峰重合。
  2. 若使用独立缓存,检查 max_batch_size 和最大循环次数是否与显存预算匹配。
  3. 若使用共享缓存,确认 freeze_halted 的配置与第二章的判定结果一致。
  4. 若显存持续单调上涨,需要重启实例释放资源,并记录复现条件,交由开发团队排查是否存在缓存未释放的问题。重启前先摘除该实例。

9.4 启动失败

  1. 执行 journalctl -u loop-serve@0.service -n 100 --no-pager,查看首个错误信息。
  2. 检查 sha256sum -c 是否通过,以及 /models/current 软链接指向是否正确。
  3. 检查 CUDA_VISIBLE_DEVICES 与 PORT 是否与环境文件一致,端口是否被占用。
  4. 若 systemd 因为 StartLimitBurst 停止重启,修正问题后执行 sudo systemctl reset-failed 再启动。

发表评论

活动