跳到内容

自动前缀缓存

PagedAttention 的核心思想是将每个请求的 KV 缓存划分为 KV 块。每个块包含固定数量 token 的注意力键和值。PagedAttention 算法允许这些块存储在非连续的物理内存中，因此我们可以通过按需分配内存来消除内存碎片。

为了自动缓存 KV 缓存，我们利用了以下关键观察：每个 KV 块可以通过其内部的 token 以及块之前前缀中的 token 来唯一标识。

                    Block 1                  Block 2                  Block 3
         [A gentle breeze stirred] [the leaves as children] [laughed in the distance]
Block 1: |<--- block tokens ---->|
Block 2: |<------- prefix ------>| |<--- block tokens --->|
Block 3: |<------------------ prefix -------------------->| |<--- block tokens ---->|

在上面的例子中，第一个块中的 KV 缓存可以通过 token “A gentle breeze stirred” 唯一标识。第三个块可以通过块中的 token “laughed in the distance” 以及前缀 token “A gentle breeze stirred the leaves as children” 来唯一标识。因此，我们可以建立以下一对一映射

hash(prefix tokens + block tokens) <--> KV Block

通过这种映射，我们可以在 vLLM 的 KV 缓存管理中增加一层间接。以前，vLLM 中的每个序列都维护着从其逻辑 KV 块到物理块的映射。为了实现 KV 块的自动缓存，我们将逻辑 KV 块映射到它们的哈希值，并维护一个所有物理块的全局哈希表。这样，所有共享相同哈希值（例如，跨两个请求共享的前缀块）的 KV 块都可以映射到同一个物理块，并共享内存空间。

这种设计实现了自动前缀缓存，而无需维护 KV 块之间的树结构。更具体地说，所有块相互独立，可以自行分配和释放，这使得我们能够像操作系统中的普通缓存一样管理 KV 缓存。

通用缓存策略

将所有 KV 块保存在哈希表中，vLLM 能够缓存先前请求的 KV 块，以节省内存并加速未来请求的计算。例如，如果新请求与先前请求共享系统提示，共享提示的 KV 缓存可以直接用于新请求，无需重新计算。然而，总的 KV 缓存空间是有限的，当缓存满时，我们必须决定保留或逐出哪些 KV 块。

使用哈希表管理 KV 缓存使我们能够实现灵活的缓存策略。例如，在当前的 vLLM 中，我们实现了以下逐出策略

  • 当没有空闲块时，我们将逐出引用计数（即当前使用该块的请求数量）等于 0 的 KV 块。
  • 如果有多个块的引用计数等于 0，我们优先逐出最近最少使用的块 (LRU)。
  • 如果有多个块的最后访问时间相同，我们优先逐出位于最长前缀末尾的块（即，其之前有最大数量块的块）。

请注意，当应用于全注意力模型时，此逐出策略有效地实现了与 RadixAttention 中完全相同的策略，该策略优先逐出引用计数为零和最近最少使用的前缀树叶节点。

然而，基于哈希的 KV 缓存管理为我们提供了灵活性，可以处理更复杂的服务场景，并实现比上述策略更复杂的逐出策略

  • 多 LoRA 服务。当为多个 LoRA 适配器提供服务时，我们可以简单地让每个 KV 块的哈希值也包含请求查询的 LoRA ID，以启用对所有适配器的缓存。通过这种方式，我们可以联合管理不同适配器的 KV 块，从而简化系统实现并提高全局缓存命中率和效率。
  • 多模态模型。当用户输入不仅包含离散 token 时，我们可以使用不同的哈希方法来处理不同模态输入的缓存。例如，对图像使用感知哈希来缓存相似的输入图像。