跳到内容

自动前缀缓存

缓存前缀的 KV 缓存块是 LLM 推理中一个流行的优化，用于避免冗余的提示计算。核心思想很简单——我们缓存已处理请求的 KV 缓存块，并在新请求到来时，如果其前缀与之前请求相同，则重用这些块。由于前缀缓存几乎是免费的午餐，并且不会改变模型输出，因此它已被许多公共端点（例如 OpenAI、Anthropic 等）和大多数开源 LLM 推理框架（例如 SGLang）广泛使用。

虽然实现前缀缓存有很多方法，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 来对每个 KV 缓存块进行哈希。

                    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，形式为 hash(tuple[components])，其中 components 包括：

  • 父哈希值：父哈希块的哈希值。
  • 块 token：此块中的 token 元组。包含确切 token 的原因是减少潜在的哈希冲突。
  • 额外哈希值：使此块唯一所需的其他值，例如 LoRA ID、多模态输入哈希值（参见下面的示例）以及用于在多租户环境中隔离缓存的缓存盐值。

注意 1： 我们只缓存完整块。

注意 2： 上述哈希键结构不是 100% 无冲突。理论上，不同的前缀 token 仍然可能拥有相同的哈希值。为了避免在多租户设置中发生任何哈希冲突，我们建议使用 SHA256 作为哈希函数，而不是默认的内置哈希。SHA256 自 vLLM v0.8.3 起支持，并且必须通过命令行参数启用。它会带来大约每 token 100-200ns 的性能影响（对于 50k token 的上下文，大约 6ms）。

多模态输入的哈希示例
在此示例中，我们说明了前缀缓存如何与多模态输入（例如图像）协同工作。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 化后，[IMG] 将被替换为一系列占位符 token，这些占位符在预填充过程中将被图像嵌入替换。前缀缓存支持此用例的挑战在于，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值将是（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、逐出）的前缀缓存工作流程。最后，我们通过一个示例来说明端到端的前缀缓存工作流程。

缓存隔离以提高安全性 为了提高共享环境中的隐私性，vLLM 支持通过可选的按请求加盐来隔离前缀缓存重用。通过在请求中包含一个 cache_salt，该值会被注入到第一个块的哈希中，确保只有具有相同 salt 的请求才能重用缓存的 KV 块。这可以防止计时攻击，即攻击者通过观察延迟差异来推断缓存内容。这在不影响性能的情况下提供了保护。

{
  "messages": [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Here is a document with details about the world series: ..."},
    {"role": "user", "content": "Who won the world series in 2020?"}
  ],
  "cache_salt": "your-cache-salt"
}

通过此设置，缓存共享仅限于明确同意使用共同 salt 的用户或请求，从而在信任组内实现缓存重用，同时隔离其他用户。

注意： 引擎 V0 不支持缓存隔离。

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“块”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

有两个设计要点需要强调：

  1. 我们在初始化 KV 缓存管理器时分配所有 KVCacheBlock，使其成为一个块池。这避免了 Python 对象创建开销，并且可以轻松地随时跟踪所有块。
  2. 我们直接在 KVCacheBlock 中引入了双向链表指针，以便我们可以直接构建一个空闲队列。这给了我们两个好处：
  3. 我们可以以 O(1) 的复杂度将中间元素移动到尾部。
  4. 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：仅存储头部和尾部块的指针用于操作。
  • 缓存块：哈希键到块 ID 的映射。
  • 请求块：请求 ID 到已分配块 ID 的映射。

操作

块分配

新请求： 调度器调度新请求并分配 KV 缓存块的工作流程：

  1. 调度器调用 kv_cache_manager.get_computed_blocks() 获取一系列已经计算过的块。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. 调度器调用 kv_cache_manager.allocate_slots()。它执行以下步骤：
  3. 计算所需的新块数量，如果没有足够的块可供分配则返回。
  4. “触碰”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移除。这是为了避免这些已计算块被逐出。参见下一节的示例进行说明。
  5. 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，这也会“逐出”该块，以便从现在开始其他请求无法再重用它。
  6. 如果已分配的块已经满了 token，我们立即将其添加到缓存块中，以便同批次中的其他请求可以重用该块。

运行中请求： 调度器调度运行中请求并分配 KV 缓存块的工作流程：

  1. 调度器调用 kv_cache_manager.append_slots()。它执行以下步骤：
  2. 计算所需的新块数量，如果没有足够的块可供分配则返回。
  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，这也会“逐出”该块，以便从现在开始其他请求无法再重用它。
  4. 将 token ID 追加到现有块和新块中的槽位。如果一个块已满，我们将其添加到缓存块中进行缓存。

重复块
假设块大小为 4，您发送一个请求 (Request 1) 提示为 ABCDEF，解码长度为 3

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 被缓存，我们再次发送相同的请求 (Request 2) 使用贪婪采样，这样它将生成与 Request 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。然而，它与块 1 重复，这意味着我们缓存了两次相同的块。在 v0 中，当检测到块 3 重复时，我们释放块 3 并让 Request 2 改用块 1，因此在时间 1 时其块表变为 [0, 1]。然而，vLLM v1 中的块表是只能追加的，这意味着不允许将块表从 [0, 3] 更改为 [0, 1]。因此，对于哈希键 E-H，我们将拥有重复的块。这种重复将在请求被释放时消除。

释放

当一个请求完成时，如果没有其他请求正在使用它们（引用计数 = 0），我们会释放其所有块。在此示例中，我们释放请求 1 及其关联的块 2、3、4、8。我们可以看到被释放的块以相反的顺序被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 token，并且不太可能被其他请求重用。因此，它应该首先被逐出。

Free queue after a request us freed

逐出 (LRU)

当空闲队列的头部块（最少最近使用的块）被缓存时，我们必须逐出该块以防止其他请求使用它。具体来说，逐出包括以下步骤：

  1. 从空闲队列的头部弹出块。这是要逐出的 LRU 块。
  2. 从缓存块中移除块 ID。
  3. 移除块哈希值。

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 KV 缓存管理器中总共有 10 个块。

时间 1：缓存为空，一个新请求到来。 我们分配 4 个块。其中 3 个已经满了并被缓存。第四个块部分填充，有 4 个 token 中的 3 个。

Example Time 1

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

Example Time 3

时间 4：请求 1 带有 14 个提示 token 到来，其中前 10 个 token 与请求 0 相同。 我们可以看到只有前两个块（8 个 token）命中缓存，因为第三个块只匹配 4 个 token 中的 2 个。

Example Time 4

时间 5：请求 0 完成并释放。 块 2、3 和 4 以相反顺序添加到空闲队列（但块 2 和 3 仍被缓存）。块 0 和 1 未添加到空闲队列，因为它们正被请求 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 带有 29 个提示 token 到来，其中前 12 个 token 与请求 0 相同。 请注意，即使空闲队列中的块顺序是 7 - 8 - 9 - 4 - 3 - 2 - 6 - 5 - 1 - 0，命中缓存的块（即 0、1、2）在分配前会被触碰并从队列中移除，因此空闲队列变为 7 - 8 - 9 - 4 - 3 - 6 - 5。结果，分配的块是 0（已缓存）、1（已缓存）、2（已缓存）、7、8、9、4、3（已逐出）。

Example Time 7