Skip to main content
Version: Next

vLLM 性能分析

*在线运行 vLLM 入门教程：零基础分步指南

警告 性能分析仅适用于 vLLM 开发者和维护者，用于了解代码库中不同部分的时间消耗比例。vLLM 终端用户不应启用性能分析，因为它会显著降低推理速度。

使用 PyTorch Profiler 进行分析​

我们支持使用 torch.profiler 模块对 vLLM 工作进程进行跟踪。您可以通过设置 VLLM_TORCH_PROFILER_DIR 环境变量来启用跟踪，将其指向您希望保存跟踪文件的目录：VLLM_TORCH_PROFILER_DIR=/mnt/traces/

启动 OpenAI 服务器时也需要设置 VLLM_TORCH_PROFILER_DIR 环境变量。

使用 benchmarks/benchmark_serving.py 时，可以通过传递 --profile 标志来启用分析。

可以使用 https://ui.perfetto.dev/ 查看跟踪文件。

提示 分析时只需发送少量请求，因为跟踪文件可能会变得非常大。此外，无需解压跟踪文件，可以直接查看。

提示 停止分析器时，它会将所有分析跟踪文件刷新到目录中。这需要时间，例如对于 llama 70b 的约 100 个请求数据，在 H100 上大约需要 10 分钟才能刷新完毕。在启动服务器之前，请将环境变量 VLLM_RPC_TIMEOUT 设置为较大的值，例如 30 分钟：export VLLM_RPC_TIMEOUT=1800000。

示例命令和用法​

离线推理​

参考 examples/offline_inference/simple_profiling.py 中的示例。

OpenAI 服务器​

VLLM_TORCH_PROFILER_DIR=./vllm_profile python -m vllm.entrypoints.openai.api_server --model meta-llama/Meta-Llama-3-70B

benchmark_serving.py:

python benchmarks/benchmark_serving.py --backend vllm --model meta-llama/Meta-Llama-3-70B --dataset-name sharegpt --dataset-path sharegpt.json --profile --num-prompts 2

使用 NVIDIA Nsight Systems 进行分析​

Nsight Systems 是一个高级工具，可以暴露更多的分析细节，例如寄存器和共享内存使用情况、注释的代码区域以及低级别的 CUDA API 和事件。

使用您的包管理器安装 nsight-systems。以下是在 Ubuntu 上的示例。

apt update
apt install -y --no-install-recommends gnupg
echo "deb http://developer.download.nvidia.com/devtools/repos/ubuntu$(source /etc/lsb-release; echo "$DISTRIB_RELEASE" | tr -d .)/$(dpkg --print-architecture) /" | tee /etc/apt/sources.list.d/nvidia-devtools.list
apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
apt update
apt install nsight-systems-cli

示例命令和用法​

离线推理​

对于基本用法，您只需在运行离线推理的任何现有脚本前添加 nsys profile -o report.nsys-rep --trace-fork-before-exec=true --cuda-graph-trace=node。

以下是使用 benchmarks/benchmark_latency.py 脚本的示例：

nsys profile -o report.nsys-rep --trace-fork-before-exec=true --cuda-graph-trace=node python benchmarks/benchmark_latency.py --model meta-llama/Llama-3.1-8B-Instruct --num-iters-warmup 5 --num-iters 1 --batch-size 16 --input-len 512 --output-len 8

OpenAI 服务器​

要分析服务器，您需要像离线推理一样在 vllm serve 命令前添加 nsys profile，但必须根据您的基准测试需求指定 --delay XX --duration YY 参数。持续时间用完后，服务器将被终止。

# server
# 服务器
nsys profile -o report.nsys-rep --trace-fork-before-exec=true --cuda-graph-trace=node --delay 30 --duration 60 vllm serve meta-llama/Llama-3.1-8B-Instruct


# client
# 客户端
python benchmarks/benchmark_serving.py --backend vllm --model meta-llama/Llama-3.1-8B-Instruct --num-prompts 1 --dataset-name random --random-input 1024 --random-output 512

实际上，您应将 --duration 参数设置为较大的值。当您希望服务器停止分析时，运行：

nsys sessions list

获取格式为 profile-XXXXX的会话 ID，然后运行：

nsys stop --session=profile-XXXXX

手动终止分析器并生成 nsys-rep 报告。

分析​

您可以使用 nsys stats [profile-file]在 CLI 中查看这些分析的摘要，或者通过按照此处的说明在本地安装 Nsight在 GUI 中查看。

CLI 示例：

nsys stats report1.nsys-rep
...
 ** CUDA GPU Kernel Summary (cuda_gpu_kern_sum):


 Time (%)  Total Time (ns)  Instances   Avg (ns)     Med (ns)    Min (ns)  Max (ns)   StdDev (ns)                                                  Name
 --------  ---------------  ---------  -----------  -----------  --------  ---------  -----------  ----------------------------------------------------------------------------------------------------
     46.3   10,327,352,338     17,505    589,965.9    144,383.0    27,040  3,126,460    944,263.8  sm90_xmma_gemm_bf16bf16_bf16f32_f32_tn_n_tilesize128x128x64_warpgroupsize1x1x1_execute_segment_k_of…
     14.8    3,305,114,764      5,152    641,520.7    293,408.0   287,296  2,822,716    867,124.9  sm90_xmma_gemm_bf16bf16_bf16f32_f32_tn_n_tilesize256x128x64_warpgroupsize2x1x1_execute_segment_k_of…
     12.1    2,692,284,876     14,280    188,535.4     83,904.0    19,328  2,862,237    497,999.9  sm90_xmma_gemm_bf16bf16_bf16f32_f32_tn_n_tilesize64x128x64_warpgroupsize1x1x1_execute_segment_k_off…
      9.5    2,116,600,578     33,920     62,399.8     21,504.0    15,326  2,532,285    290,954.1  sm90_xmma_gemm_bf16bf16_bf16f32_f32_tn_n_tilesize64x64x64_warpgroupsize1x1x1_execute_segment_k_off_…
      5.0    1,119,749,165     18,912     59,208.4      9,056.0     6,784  2,578,366    271,581.7  void vllm::act_and_mul_kernel<c10::BFloat16, &vllm::silu_kernel<c10::BFloat16>, (bool)1>(T1 *, cons…
      4.1      916,662,515     21,312     43,011.6     19,776.0     8,928  2,586,205    199,790.1  void cutlass::device_kernel<flash::enable_sm90_or_later<flash::FlashAttnFwdSm90<flash::CollectiveMa…
      2.6      587,283,113     37,824     15,526.7      3,008.0     2,719  2,517,756    139,091.1  std::enable_if<T2>(int)0&&vllm::_typeConvert<T1>::exists, void>::type vllm::fused_add_rms_norm_kern…
      1.9      418,362,605     18,912     22,121.5      3,871.0     3,328  2,523,870    175,248.2  void vllm::rotary_embedding_kernel<c10::BFloat16, (bool)1>(const long *, T1 *, T1 *, const T1 *, in…
      0.7      167,083,069     18,880      8,849.7      2,240.0     1,471  2,499,996    101,436.1  void vllm::reshape_and_cache_flash_kernel<__nv_bfloat16, __nv_bfloat16, (vllm::Fp8KVCacheDataType)0…
...

GUI 示例：

图片

分析 vLLM Python 代码#​

Python 标准库包含用于分析 Python 代码性能的 cProfile 模块。vLLM 提供了几个辅助工具，可以轻松地将其应用于 vLLM 的特定代码段。vllm.utils.cprofile 和 vllm.utils.cprofile_context 函数均可用于分析代码性能。

示例用法 - 装饰器​

第一个辅助工具是一个 Python 装饰器，可用于分析函数的性能。如果指定了文件名，分析结果将保存到该文件中；如果未指定文件名，分析数据将打印到标准输出。

import vllm.utils


@vllm.utils.cprofile("expensive_function.prof")
def expensive_function():
    # some expensive code
    pass

示例用法 - 上下文管理器​

第二个辅助工具是一个上下文管理器，可用于分析代码块的性能。与装饰器类似，文件名是可选的。

import vllm.utils


def another_function():
    # more expensive code
    pass


with vllm.utils.cprofile_context("another_function.prof"):
    another_function()

分析性能结果​

有多种工具可用于分析性能结果，例如 snakeviz。

pip install snakeviz
snakeviz expensive_function.prof