异构计算集群上的推理调度器设计GPU/CPU/NPU 混合调度的成本感知策略一、混合算力集群的调度困境GPU 在排队CPU 在空转推理集群中常见这样的场景8 张 A100 GPU 的任务队列已经排了 30 个请求延迟持续攀升而旁边的 64 核 CPU 节点却只有 15% 的利用率。NPU 加速卡更尴尬——由于算子兼容性问题调度器默认将其排除在外昂贵的硬件成了摆设。问题的本质是传统的 GPU-only 调度器忽略了异构算力的互补性。一个 13B 参数的模型在 GPU 上推理延迟 50ms在 CPU 上是 800ms。但很多场景下 800ms 的延迟完全可以接受如批量离线处理、非实时对话。将这些任务从 GPU 队列中卸载到 CPU/NPU 上执行可以显著降低 GPU 的排队延迟。异构调度的核心挑战不是能不能调度而是怎么定义最优分配策略——需要同时考虑延迟 SLO、硬件成本GPU 比 CPU 贵 10 倍、以及模型对不同硬件的兼容性。二、成本感知的多目标调度模型graph TD A[推理请求到达] -- B{请求分类器} B --|Latency-Sensitive| C[GPU 队列] B --|Batch-OK| D{负载感知路由器} B --|LoRA/小模型| E[NPU 队列] D --|GPU 队列深度 阈值| C D --|GPU 繁忙| F[CPU 队列] D --|特定算子需求| E C -- G[GPU Executor] F -- H[CPU Executor] E -- I[NPU Executor] G -- J[结果聚合] H -- J I -- J J -- K[响应返回] style B fill:#1a1a2e,stroke:#e94560,color:#fff style D fill:#16213e,stroke:#0f3460,color:#fff调度决策的核心是一组多目标优化方程Minimize: Cost α × GPU_Cost β × CPU_Cost γ × NPU_Cost Subject to: Latency(p) ≤ SLO(p) for each request p其中 α、β、γ 是硬件成本权重反映单位算力的价格差异。实际实现时这个优化问题被简化为带优先级的贪心路由先尝试最便宜的算力类型被拒绝后再升级到更昂贵的算力。三类请求的分流策略延迟敏感请求Latency-Sensitive由请求参数中的priorityrealtime标记直接路由到 GPU。这些请求通常来自用户交互场景要求 P99 200ms。如果一个 GPU 节点无法满足延迟可以使用模型并行tensor parallelism拆分到多 GPU。批处理友好请求Batch-OK离线评估、数据集推理等场景。当 GPU 队列深度超过阈值如 ≥ 10时调度器自动将新请求路由到 CPU/NPU。延迟增加 5~20 倍但 GPU 成本为零。特殊算力请求LoRA 微调模型的推理在小 NPU 上性能接近 GPU因为 LoRA adapter 的矩阵乘在 NPU 的 systolic array 上效率较高。这类请求被标记后优先调度到 NPU。三、Rust 实现的多队列异构调度器use std::collections::{BinaryHeap, HashMap, VecDeque}; use std::sync::Arc; use std::time::{Duration, Instant}; use tokio::sync::{mpsc, RwLock, Semaphore}; use serde::{Deserialize, Serialize}; /// 算力类型 #[derive(Debug, Clone, Copy, PartialEq, Eq, Hash, Serialize, Deserialize)] pub enum ComputeType { GPU, CPU, NPU, } /// 推理请求的优先级 #[derive(Debug, Clone, Copy, PartialEq, Eq, PartialOrd, Ord)] pub enum Priority { /// 实时交互请求 Realtime 0, /// 普通请求 Normal 1, /// 批量离线处理 Batch 2, } /// 推理请求 #[derive(Debug, Clone)] pub struct InferenceRequest { pub id: u64, pub model_name: String, pub priority: Priority, /// 延迟 SLOService Level Objective /// None 表示无延迟要求批处理场景 pub latency_slo: OptionDuration, /// 预估的计算量GFLOPS用于算力分配 pub estimated_gflops: f64, /// 是否包含 LoRA adapter pub has_lora: bool, /// 请求到达时间 pub arrived_at: Instant, } /// 算力节点的运行时状态 #[derive(Debug, Clone)] pub struct ComputeNode { pub id: String, pub compute_type: ComputeType, /// 可用并发槽位如 GPU 的 batch size 余量 pub available_slots: usize, /// 当前队列深度 pub queue_depth: usize, /// 平均处理延迟滑动窗口统计 pub avg_latency: Duration, /// 单位成本系数 /// GPU: 1.0, CPU: 0.1, NPU: 0.3 pub cost_coefficient: f64, } /// 异构调度器 pub struct HeterogeneousScheduler { /// 按算力类型分组的节点池 nodes: HashMapComputeType, VecComputeNode, /// 每种算力类型的请求队列 queues: HashMapComputeType, ArcRwLockVecDequeInferenceRequest, /// GPU 队列深度阈值超过后 overflow 到 CPU gpu_overflow_threshold: usize, /// 成本感知的权重参数 cost_weights: CostWeights, } #[derive(Debug, Clone)] struct CostWeights { gpu: f64, // 默认 1.0 cpu: f64, // 默认 0.1 npu: f64, // 默认 0.3 } impl HeterogeneousScheduler { /// 核心调度决策函数 /// /// 为什么用贪心而非全局最优解 /// 1. 推理请求数量动态变化全局优化求解延迟太高 1ms /// 2. 贪心算法的决策时间 10μs对延迟尾部影响可忽略 /// 3. 在负载均匀分布的场景下贪心 ≈ 全局最优 pub async fn schedule(self, request: InferenceRequest) - ComputeType { // 策略 1实时请求直接走 GPU if request.priority Priority::Realtime { return ComputeType::GPU; } // 策略 2LoRA 请求优先 NPU // 为什么 LoRA 优先 NPU // LoRA 的 adapter 矩阵乘在 NPU 的 systolic array 上有较好的加速效果 // 且 adapter 的尺寸通常匹配 NPU 的片上 SRAM 大小 if request.has_lora self.has_available_slots(ComputeType::NPU) { return ComputeType::NPU; } // 策略 3GPU 队列深度检查 let gpu_depth self.get_queue_depth(ComputeType::GPU).await; if gpu_depth self.gpu_overflow_threshold { return ComputeType::GPU; } // 策略 4成本感知降级路由 // 尝试最便宜的算力被拒绝后逐级升级 let candidates [ (ComputeType::CPU, self.cost_weights.cpu), (ComputeType::NPU, self.cost_weights.npu), (ComputeType::GPU, self.cost_weights.gpu), ]; for (compute_type, _cost) in candidates { if self.has_available_slots(*compute_type) { // SLO 检查确保降级后的延迟仍满足 SLO if let Some(slo) request.latency_slo { let avg_latency self.get_avg_latency(*compute_type).await; if avg_latency slo { continue; // 该算力无法满足延迟 SLO } } return *compute_type; } } // 所有算力都不可用回退到 GPU排队等待 ComputeType::GPU } async fn get_queue_depth(self, ct: ComputeType) - usize { self.queues.get(ct) .map(|q| q.read().await.len()) .unwrap_or(0) } fn has_available_slots(self, ct: ComputeType) - bool { self.nodes.get(ct) .map(|nodes| nodes.iter().any(|n| n.available_slots 0)) .unwrap_or(false) } async fn get_avg_latency(self, ct: ComputeType) - Duration { self.nodes.get(ct) .map(|nodes| { if nodes.is_empty() { return Duration::ZERO; } let total: Duration nodes.iter().map(|n| n.avg_latency).sum(); total / nodes.len() as u32 }) .unwrap_or(Duration::ZERO) } /// 动态调整 overflow 阈值 /// /// 为什么需要动态调整 /// 固定阈值无法适应负载波动——高峰期需要更早 overflow /// 低峰期可以容忍更深的 GPU 队列 pub async fn update_overflow_threshold(mut self) { let gpu_depth self.get_queue_depth(ComputeType::GPU).await; let cpu_depth self.get_queue_depth(ComputeType::CPU).await; // 如果 CPU 空闲而 GPU 繁忙降低 overflow 阈值 // 将更多请求引导到 CPU平衡负载 if cpu_depth 0 gpu_depth 5 { self.gpu_overflow_threshold (self.gpu_overflow_threshold - 1).max(2); } else if cpu_depth 10 gpu_depth 3 { self.gpu_overflow_threshold 1; } } }成本感知的核心价值在生产环境中GPU 实例的成本是 CPU 实例的 1050 倍按单位算力计。将 30% 的批处理请求从 GPU 卸载到 CPU在延迟增加 515 倍的情况下总成本降低 20%~40%。对于日均百万级请求的推理服务这意味着每月数万元的云成本节省。四、异构调度的边界与回退策略模型兼容性的隐形成本不是所有模型都适合跨算力调度。量化模型INT8/INT4在 NPU 上可能完全不兼容需要额外的算子适配。不同算力上的 tokenizer 行为可能略有差异导致输出不一致。调度器需要维护每个模型在不同算力上的兼容性矩阵。状态迁移的复杂性KV Cache 是推理中的状态。如果将正在进行的对话从 GPU 迁移到 CPU需要传输 KV Cache——这可能比重新推理还慢。因此异构调度更适合无状态或轻状态的推理场景。禁用场景低延迟严格 SLO 场景P99 50msCPU/NPU 延迟不可接受模型参数 1B小模型在 CPU 上的推理延迟已经足够低调度器引入的复杂度超出收益高度定制化的模型自研算子跨算力的兼容性验证成本过高五、总结异构调度的核心价值在于成本优化——将非延迟敏感的批处理任务从高价 GPU 卸载到 CPU/NPU贪心路由策略在推理场景中接近全局最优决策时间 10μs适合延迟敏感路径动态 overflow 阈值能够自适应负载波动在负载均衡和响应延迟之间找到动态平衡LoRA adapter 在 NPU 上有较好的性价比应作为独立的算力路由维度状态迁移的开销限制了异构调度在有状态推理中的应用无状态推理是最佳场景
异构计算集群上的推理调度器设计GPU/CPU/NPU 混合调度的成本感知策略一、混合算力集群的调度困境GPU 在排队CPU 在空转推理集群中常见这样的场景8 张 A100 GPU 的任务队列已经排了 30 个请求延迟持续攀升而旁边的 64 核 CPU 节点却只有 15% 的利用率。NPU 加速卡更尴尬——由于算子兼容性问题调度器默认将其排除在外昂贵的硬件成了摆设。问题的本质是传统的 GPU-only 调度器忽略了异构算力的互补性。一个 13B 参数的模型在 GPU 上推理延迟 50ms在 CPU 上是 800ms。但很多场景下 800ms 的延迟完全可以接受如批量离线处理、非实时对话。将这些任务从 GPU 队列中卸载到 CPU/NPU 上执行可以显著降低 GPU 的排队延迟。异构调度的核心挑战不是能不能调度而是怎么定义最优分配策略——需要同时考虑延迟 SLO、硬件成本GPU 比 CPU 贵 10 倍、以及模型对不同硬件的兼容性。二、成本感知的多目标调度模型graph TD A[推理请求到达] -- B{请求分类器} B --|Latency-Sensitive| C[GPU 队列] B --|Batch-OK| D{负载感知路由器} B --|LoRA/小模型| E[NPU 队列] D --|GPU 队列深度 阈值| C D --|GPU 繁忙| F[CPU 队列] D --|特定算子需求| E C -- G[GPU Executor] F -- H[CPU Executor] E -- I[NPU Executor] G -- J[结果聚合] H -- J I -- J J -- K[响应返回] style B fill:#1a1a2e,stroke:#e94560,color:#fff style D fill:#16213e,stroke:#0f3460,color:#fff调度决策的核心是一组多目标优化方程Minimize: Cost α × GPU_Cost β × CPU_Cost γ × NPU_Cost Subject to: Latency(p) ≤ SLO(p) for each request p其中 α、β、γ 是硬件成本权重反映单位算力的价格差异。实际实现时这个优化问题被简化为带优先级的贪心路由先尝试最便宜的算力类型被拒绝后再升级到更昂贵的算力。三类请求的分流策略延迟敏感请求Latency-Sensitive由请求参数中的priorityrealtime标记直接路由到 GPU。这些请求通常来自用户交互场景要求 P99 200ms。如果一个 GPU 节点无法满足延迟可以使用模型并行tensor parallelism拆分到多 GPU。批处理友好请求Batch-OK离线评估、数据集推理等场景。当 GPU 队列深度超过阈值如 ≥ 10时调度器自动将新请求路由到 CPU/NPU。延迟增加 5~20 倍但 GPU 成本为零。特殊算力请求LoRA 微调模型的推理在小 NPU 上性能接近 GPU因为 LoRA adapter 的矩阵乘在 NPU 的 systolic array 上效率较高。这类请求被标记后优先调度到 NPU。三、Rust 实现的多队列异构调度器use std::collections::{BinaryHeap, HashMap, VecDeque}; use std::sync::Arc; use std::time::{Duration, Instant}; use tokio::sync::{mpsc, RwLock, Semaphore}; use serde::{Deserialize, Serialize}; /// 算力类型 #[derive(Debug, Clone, Copy, PartialEq, Eq, Hash, Serialize, Deserialize)] pub enum ComputeType { GPU, CPU, NPU, } /// 推理请求的优先级 #[derive(Debug, Clone, Copy, PartialEq, Eq, PartialOrd, Ord)] pub enum Priority { /// 实时交互请求 Realtime 0, /// 普通请求 Normal 1, /// 批量离线处理 Batch 2, } /// 推理请求 #[derive(Debug, Clone)] pub struct InferenceRequest { pub id: u64, pub model_name: String, pub priority: Priority, /// 延迟 SLOService Level Objective /// None 表示无延迟要求批处理场景 pub latency_slo: OptionDuration, /// 预估的计算量GFLOPS用于算力分配 pub estimated_gflops: f64, /// 是否包含 LoRA adapter pub has_lora: bool, /// 请求到达时间 pub arrived_at: Instant, } /// 算力节点的运行时状态 #[derive(Debug, Clone)] pub struct ComputeNode { pub id: String, pub compute_type: ComputeType, /// 可用并发槽位如 GPU 的 batch size 余量 pub available_slots: usize, /// 当前队列深度 pub queue_depth: usize, /// 平均处理延迟滑动窗口统计 pub avg_latency: Duration, /// 单位成本系数 /// GPU: 1.0, CPU: 0.1, NPU: 0.3 pub cost_coefficient: f64, } /// 异构调度器 pub struct HeterogeneousScheduler { /// 按算力类型分组的节点池 nodes: HashMapComputeType, VecComputeNode, /// 每种算力类型的请求队列 queues: HashMapComputeType, ArcRwLockVecDequeInferenceRequest, /// GPU 队列深度阈值超过后 overflow 到 CPU gpu_overflow_threshold: usize, /// 成本感知的权重参数 cost_weights: CostWeights, } #[derive(Debug, Clone)] struct CostWeights { gpu: f64, // 默认 1.0 cpu: f64, // 默认 0.1 npu: f64, // 默认 0.3 } impl HeterogeneousScheduler { /// 核心调度决策函数 /// /// 为什么用贪心而非全局最优解 /// 1. 推理请求数量动态变化全局优化求解延迟太高 1ms /// 2. 贪心算法的决策时间 10μs对延迟尾部影响可忽略 /// 3. 在负载均匀分布的场景下贪心 ≈ 全局最优 pub async fn schedule(self, request: InferenceRequest) - ComputeType { // 策略 1实时请求直接走 GPU if request.priority Priority::Realtime { return ComputeType::GPU; } // 策略 2LoRA 请求优先 NPU // 为什么 LoRA 优先 NPU // LoRA 的 adapter 矩阵乘在 NPU 的 systolic array 上有较好的加速效果 // 且 adapter 的尺寸通常匹配 NPU 的片上 SRAM 大小 if request.has_lora self.has_available_slots(ComputeType::NPU) { return ComputeType::NPU; } // 策略 3GPU 队列深度检查 let gpu_depth self.get_queue_depth(ComputeType::GPU).await; if gpu_depth self.gpu_overflow_threshold { return ComputeType::GPU; } // 策略 4成本感知降级路由 // 尝试最便宜的算力被拒绝后逐级升级 let candidates [ (ComputeType::CPU, self.cost_weights.cpu), (ComputeType::NPU, self.cost_weights.npu), (ComputeType::GPU, self.cost_weights.gpu), ]; for (compute_type, _cost) in candidates { if self.has_available_slots(*compute_type) { // SLO 检查确保降级后的延迟仍满足 SLO if let Some(slo) request.latency_slo { let avg_latency self.get_avg_latency(*compute_type).await; if avg_latency slo { continue; // 该算力无法满足延迟 SLO } } return *compute_type; } } // 所有算力都不可用回退到 GPU排队等待 ComputeType::GPU } async fn get_queue_depth(self, ct: ComputeType) - usize { self.queues.get(ct) .map(|q| q.read().await.len()) .unwrap_or(0) } fn has_available_slots(self, ct: ComputeType) - bool { self.nodes.get(ct) .map(|nodes| nodes.iter().any(|n| n.available_slots 0)) .unwrap_or(false) } async fn get_avg_latency(self, ct: ComputeType) - Duration { self.nodes.get(ct) .map(|nodes| { if nodes.is_empty() { return Duration::ZERO; } let total: Duration nodes.iter().map(|n| n.avg_latency).sum(); total / nodes.len() as u32 }) .unwrap_or(Duration::ZERO) } /// 动态调整 overflow 阈值 /// /// 为什么需要动态调整 /// 固定阈值无法适应负载波动——高峰期需要更早 overflow /// 低峰期可以容忍更深的 GPU 队列 pub async fn update_overflow_threshold(mut self) { let gpu_depth self.get_queue_depth(ComputeType::GPU).await; let cpu_depth self.get_queue_depth(ComputeType::CPU).await; // 如果 CPU 空闲而 GPU 繁忙降低 overflow 阈值 // 将更多请求引导到 CPU平衡负载 if cpu_depth 0 gpu_depth 5 { self.gpu_overflow_threshold (self.gpu_overflow_threshold - 1).max(2); } else if cpu_depth 10 gpu_depth 3 { self.gpu_overflow_threshold 1; } } }成本感知的核心价值在生产环境中GPU 实例的成本是 CPU 实例的 1050 倍按单位算力计。将 30% 的批处理请求从 GPU 卸载到 CPU在延迟增加 515 倍的情况下总成本降低 20%~40%。对于日均百万级请求的推理服务这意味着每月数万元的云成本节省。四、异构调度的边界与回退策略模型兼容性的隐形成本不是所有模型都适合跨算力调度。量化模型INT8/INT4在 NPU 上可能完全不兼容需要额外的算子适配。不同算力上的 tokenizer 行为可能略有差异导致输出不一致。调度器需要维护每个模型在不同算力上的兼容性矩阵。状态迁移的复杂性KV Cache 是推理中的状态。如果将正在进行的对话从 GPU 迁移到 CPU需要传输 KV Cache——这可能比重新推理还慢。因此异构调度更适合无状态或轻状态的推理场景。禁用场景低延迟严格 SLO 场景P99 50msCPU/NPU 延迟不可接受模型参数 1B小模型在 CPU 上的推理延迟已经足够低调度器引入的复杂度超出收益高度定制化的模型自研算子跨算力的兼容性验证成本过高五、总结异构调度的核心价值在于成本优化——将非延迟敏感的批处理任务从高价 GPU 卸载到 CPU/NPU贪心路由策略在推理场景中接近全局最优决策时间 10μs适合延迟敏感路径动态 overflow 阈值能够自适应负载波动在负载均衡和响应延迟之间找到动态平衡LoRA adapter 在 NPU 上有较好的性价比应作为独立的算力路由维度状态迁移的开销限制了异构调度在有状态推理中的应用无状态推理是最佳场景
