自动前缀缓存

自动前缀缓存#

前缀缓存 kv-cache 块是 LLM 推理中一种流行的优化方法，用于避免冗余的提示计算。其核心思想很简单——我们缓存已处理请求的 kv-cache 块，并在新请求与之前请求具有相同前缀时重用这些块。由于前缀缓存几乎是免费的午餐，并且不会改变模型输出，因此已被许多公共端点（例如，OpenAI、Anthropic 等）和大多数开源 LLM 推理框架（例如，SGLang）广泛使用。

虽然有很多方法可以实现前缀缓存，但 vLLM 选择了一种基于哈希的方法。具体来说，我们通过块中的 token 以及块之前前缀中的 token 对每个 kv-cache 块进行哈希。

                    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 ---->|

在上面的示例中，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” 唯一标识。因此，我们可以构建块哈希 hash(tuple[components])，其中 components 包括

  • 父哈希值：父哈希块的哈希值。

  • 块 token：此块中 token 的元组。包含确切 token 的原因是减少潜在的哈希值冲突。

  • 额外哈希：使此块唯一所需的其他值，例如 LoRA ID 和多模态输入哈希（请参见下面的示例）。

注 1：我们只缓存完整块。

注 2：上述哈希键结构并非 100% 无冲突。理论上，不同的前缀 token 仍有可能具有相同的哈希值，但这几乎不可能发生。当然，如果您有消除所有冲突的绝妙想法，我们欢迎您贡献。

多模态输入的哈希示例
在此示例中，我们说明前缀缓存如何与多模态输入（例如，图像）一起工作。假设我们有一个包含以下消息的请求

messages = [
    {"role": "user",
     "content": [
         {"type": "text",
          "text": "What's in this image?"
         },
         {"type": "image_url",
          "image_url": {"url": image_url},
         },
    ]},
]

它将变成以下提示

Prompt:
    <s>[INST]What's in this image?\n[IMG][/INST]

Tokenized prompt:
    [1, 3, 7493, 1681, 1294, 1593, 3937, 9551, 10, 4]

Prompt with placeholders (<P>):
    [1, 3, 7493, 1681, 1294, 1593, 3937, 9551, <P>, <P>, ..., <P>, 4]

正如我们所见，在 token 化之后，[IMG] 将被替换为一系列占位符 token，并且这些占位符将在预填充期间被替换为图像嵌入。前缀缓存支持这种情况的挑战在于我们需要区分图像和占位符。为了解决这个问题，我们对前端图像处理器生成的图像哈希进行编码。例如，上述提示中块的哈希将是（假设块大小为 16，并且我们有 41 个占位符 token）

Block 0
    Parent hash: None
    Token IDs: 1, 3, 7493, 1681, 1294, 1593, 3937, 9551, <p>, ..., <p>
    Extra hash: <image hash>
Block 1
    Parent hash: Block 0 hash
    Token IDs: <p>, ..., <p>
    Extra hash: <image hash>
Block 2
    Parent hash: Block 1 hash
    Token IDs: <p>, ..., <p>
    Extra hash: <image hash>
Block 3
    Parent hash: Block 2 hash
    Token IDs: <p>, ..., <p>, 4
    Extra hash: <image hash>

在本文档的其余部分，我们首先介绍 vLLM v1 中用于前缀缓存的数据结构，然后介绍主要 KV 缓存操作符（例如，分配、追加、释放、驱逐）的前缀缓存工作流程。最后，我们使用一个示例来说明端到端的前缀缓存工作流程。

数据结构#

vLLM v1 中的前缀缓存是在 KV 缓存管理器中实现的。基本构建块是 “Block” 数据类（简化版）

class KVCacheBlock:
    # The block ID (immutable)
    block_id: int
    # The block hash (will be assigned when the block is full,
    # and will be reset when the block is evicted).
    block_hash: BlockHashType
    # The number of requests using this block now.
    ref_cnt: int

    # The pointers to form a doubly linked list for the free queue.
    prev_free_block: Optional["KVCacheBlock"] = None
    next_free_block: Optional["KVCacheBlock"] = None

这里有两点设计要强调

  1. 我们在初始化 KV 缓存管理器时分配所有 KVCacheBlock 以作为块池。这避免了 Python 对象创建的开销，并且可以轻松地始终跟踪所有块。

  2. 我们在 KVCacheBlock 中直接引入了双向链表指针，以便我们可以直接构建空闲队列。这给我们带来了两个好处

    1. 我们可以以 O(1) 的复杂度将中间的元素移动到尾部。

    2. 我们可以避免引入另一个 Python 队列（例如，deque），该队列具有元素的包装器。

因此，当 KV 缓存管理器初始化时，我们将具有以下组件

Component Overview

  • 块池：KVCacheBlock 的列表。

  • 空闲块队列：仅存储头尾块的指针以进行操作。

  • 缓存块：从哈希键到块 ID 的映射。

  • 请求块：从请求 ID 到分配的块 ID 的映射。

操作#

块分配#

新请求：调度程序调度具有 KV 缓存块分配的新请求的工作流程

  1. 调度程序调用 kv_cache_manager.get_computed_blocks() 以获取已计算的块序列。这是通过对请求中的提示 token 进行哈希并查找缓存块来完成的。

  2. 调度程序调用 kv_cache_manager.allocate_slots()。它执行以下步骤

    1. 计算所需的新块数量，如果没有足够的块可分配，则返回。

    2. “触摸”已计算的块。它将已计算块的引用计数增加一，如果该块未被其他请求使用，则将其从空闲队列中删除。这是为了避免这些已计算的块被驱逐。有关说明，请参见下一节中的示例。

    3. 通过弹出空闲队列的头部来分配新块。如果头部块是缓存块，这也将“驱逐”该块，以便从现在开始没有其他请求可以再重用它。

    4. 如果分配的块已满 token，我们立即将其添加到缓存块，以便同一批次中的其他请求可以重用该块。

运行请求：调度程序调度具有 KV 缓存块分配的运行请求的工作流程

  1. 调度程序调用 kv_cache_manager.append_slots()。它执行以下步骤

    1. 计算所需的新块数量，如果没有足够的块可分配，则返回。

    2. 通过弹出空闲队列的头部来分配新块。如果头部块是缓存块，这也将“驱逐”该块，以便从现在开始没有其他请求可以再重用它。

    3. 将 token ID 追加到现有块以及新块中的槽位。如果一个块已满，我们将其添加到缓存块以进行缓存。

重复块
假设块大小为 4，并且您发送一个提示为 ABCDEF 且解码长度为 3 的请求（请求 1）

Prompt: [A, B, C, D, E, F]
Output: [G, H, I]

Time 0:
  Tokens: [A, B, C, D, E, F, G]
  Block Table: [0 (ABCD), 1 (EFG)]
  Cache Blocks: 0
Time 1:
  Tokens: [A, B, C, D, E, F, G, H]
  Block Table: [0 (ABCD), 1 (EFGH)]
  Cache Blocks: 0, 1
Time 2:
  Tokens: [A, B, C, D, E, F, G, H, I]
  Block Table: [0 (ABCD), 1 (EFGH), 2 (I)]
  Cache Blocks: 0, 1

现在块 0 和块 1 已被缓存，并且我们再次发送相同的请求（请求 2）并使用贪婪采样，以便它将产生与请求 1 完全相同的输出

Prompt: [A, B, C, D, E, F]
Output: [G, H, I]

Time 0:
  Tokens: [A, B, C, D, E, F, G]
  Block Table: [0 (ABCD), 3 (EFG)]
  Cache Blocks: 0, 1
Time 1:
  Tokens: [A, B, C, D, E, F, G, H]
  Block Table: [0 (ABCD), 3 (EFGH)]
  Cache Blocks: 0, 1, 3

可以看出，块 3 是一个新的完整块并被缓存。但是，它与块 1 冗余，这意味着我们缓存了相同的块两次。在 v0 中，当检测到块 3 重复时，我们释放块 3 并让请求 2 改用块 1，因此其块表在时间 1 变为 [0, 1]。但是，vLLM v1 中的块表是仅追加的，这意味着不允许将块表从 [0, 3] 更改为 [0, 1]。因此，我们将为哈希键 E-H 获得重复的块。当请求被释放时，这种重复将被消除。

释放#

当请求完成时，如果没有其他请求正在使用它们（引用计数 = 0），我们将释放其所有块。在此示例中，我们释放请求 1 以及与其关联的块 2、3、4、8。我们可以看到，释放的块以相反的顺序添加到空闲队列的尾部。这是因为请求的最后一个块必须哈希更多的 token，并且不太可能被其他请求重用。因此，它应该首先被驱逐。

Free Queue after Free a Request

驱逐 (LRU)#

当空闲队列的头部块（最近最少使用的块）被缓存时，我们必须驱逐该块以防止其被其他请求使用。具体来说，驱逐涉及以下步骤

  1. 从空闲队列的头部弹出块。这是要驱逐的 LRU 块。

  2. 从缓存块中删除块 ID。

  3. 删除块哈希。

示例#

在此示例中，我们假设块大小为 4（每个块可以缓存 4 个 token），并且我们在 KV 缓存管理器中总共有 10 个块。

时间 1：缓存为空，并且有新请求进入。我们分配 4 个块。其中 3 个已经满了并被缓存。第四个块部分已满，有 2 个 token（总共 4 个）。

Example Time 1

时间 3：请求 0 使块 3 变满，并请求一个新块以继续解码。我们缓存块 3 并分配块 4。

Example Time 3

时间 4：请求 1 进入，带有 14 个提示 token，其中前 11 个 token 与请求 0 相同。我们可以看到只有 2 个块（11 个 token）命中缓存，因为第 3 个块仅匹配 4 个 token 中的 3 个。

Example Time 4

时间 5：请求 0 完成并释放。块 2、3 和 4 以相反的顺序添加到空闲队列（但块 2 和 3 仍然被缓存）。块 0 和 1 没有添加到空闲队列，因为它们正在被请求 1 使用。

Example Time 5

时间 6：请求 1 完成并释放。

Example Time 6

时间 7：请求 2 进入，带有 33 个提示 token，其中前 16 个 token 与请求 0 相同。请注意，即使空闲队列中的块顺序为 7 - 8 - 9 - 4 - 3 - 2 - 6 - 5 - 1 - 0，缓存命中的块（即 0、1、2）在分配之前被“触摸”并从队列中删除，因此空闲队列变为 7 - 8 - 9 - 4 - 3 - 6 - 5。因此，分配的块为 0（已缓存）、1（已缓存）、2（已缓存）、7、8、9、4、3（已驱逐）。

Example Time 7