推理服务自动扩缩容从压测发现不够才加到 GPU 利用率驱动的弹性伸缩复盘一、手动扩容的滞后性等用户投诉了才知道 Queue 已爆大促期间推理服务的 GPU 集群经历了三次手动扩容→来不量→队列爆满→用户投诉→紧急加节点的循环。每次从发现流量增长到完成节点扩容需要约 15 分钟而流量从正常到剧增只需要 3 分钟。这 12 分钟的空窗期就是用户体验崩塌的时间。事后复盘发现问题不在资源不足——集群有 8 张 A100 常备备用节点池里还有 4 张——而在于触发扩容的决策链太长监控→人工确认→审批→执行→等待启动→加载模型。将这条决策链压缩到分钟以内是弹性伸缩的核心目标。传统基于 CPU/内存利用率的 HPAHorizontal Pod Autoscaler在推理场景中表现不佳。推理请求的 CPU 使用率波动小始终在 60~80% 运行但请求队列深度是更敏感的容量指标。当 CPU 才 65% 时队列可能已经累积了 15 秒的积压。二、基于请求队列的弹性伸缩控制器选择请求队列深度Queue Depth GPU 利用率作为双维度指标替代传统的 CPU/内存指标# 基于队列深度 GPU 利用率的弹性伸缩控制器 class InferenceAutoscaler: def __init__(self, min_nodes: int 2, # 最少节点数 max_nodes: int 12, # 最大节点数 queue_warn_threshold: float 5.0, # 预警队列深度秒 queue_critical_threshold: float 15.0): # 紧急队列深度 self.min_nodes min_nodes self.max_nodes max_nodes self.queue_warn queue_warn_threshold self.queue_critical queue_critical_threshold self.current_nodes min_nodes self.last_scale_up datetime.min # 上次扩容时间 def evaluate(self, metrics: ScalingMetrics) - ScalingDecision: metrics: - queue_depth_seconds: 请求队列尾部等待时间 - gpu_utilization: GPU 利用率 [0, 1] - throughput_current: 当前吞吐token/s - throughput_target: 目标吞吐token/s decision ScalingDecision(actionnone, delta0) # 扩容决策 # 优先级 1: 紧急扩容队列 15 秒 if metrics.queue_depth_seconds self.queue_critical: decision ScalingDecision( actionscale_up, delta3, # 紧急扩容 3 个节点 reasonf队列深度 {metrics.queue_depth_seconds:.1f}s f{self.queue_critical}s 紧急阈值 ) # 优先级 2: 温和扩容队列 5~15 秒且距上次扩容 120 秒 elif (metrics.queue_depth_seconds self.queue_warn and (datetime.now() - self.last_scale_up).seconds 120): # 计算需要的节点增量目标吞吐 / 单节点吞吐 - 当前节点数 needed math.ceil( metrics.throughput_target / metrics.throughput_per_node ) delta min(needed - self.current_nodes, 2) # 每次最多 2 decision ScalingDecision( actionscale_up, deltamax(delta, 1), # 至少 1 reasonf队列 {metrics.queue_depth_seconds:.1f}s f目标吞吐 {metrics.throughput_target} tok/s ) # 缩容决策 # GPU 利用率 40% 队列清空 持续 5 分钟 elif (metrics.gpu_utilization 0.40 and metrics.queue_depth_seconds 1.0 and self.current_nodes self.min_nodes): decision ScalingDecision( actionscale_down, delta-1, # 温和缩容每次 -1 reasonfGPU 利用率 {metrics.gpu_utilization:.0%} 40%缩容 ) if decision.action ! none: self.last_scale_up datetime.now() if decision.action scale_up else self.last_scale_up self.current_nodes decision.delta return decision三、预热节点池消除模型加载的冷启动延迟扩容最快的卡点是模型加载——从 S3 下载权重到 GPU 显存需要 90~120 秒。预热节点池在流量低谷期预先下载模型并保持待命状态# 预热节点池配置 —— vLLM 预热模式 apiVersion: apps/v1 kind: Deployment metadata: name: inference-warm-pool spec: replicas: 2 # 始终保持 2 个预热节点 template: spec: containers: - name: vllm-warm image: vllm/vllm-openai:latest command: - python - -c - | from vllm import LLM # 预加载模型到 GPU 显存但不加入调度器 # --enforce-eager 禁用 CUDA Graph减少显存占用但不影响预热 llm LLM( model/models/llama-3-70b-awq, enforce_eagerTrue, gpu_memory_utilization0.90, ) # 保持进程运行等待调度器接管 import time while True: time.sleep(3600)预热节点在被正式纳入调度时仅需 58 秒的注册时间vs 90120 秒的完全冷启动将扩容延迟从 120 秒压缩到 8 秒。四、实际效果与过度扩容的副作用控制指标手动扩容自动弹性伸缩扩容触发延迟12~15 min30~120 sec队列溢出次数/月8.21.1GPU 平均利用率42%68%月均 GPU 成本18 万14.5 万误触发扩容次数/月02.3误触发扩容虚假流量尖刺导致的短暂扩容每月 2.3 次每次额外消耗约 40 元。相比节省的 3.5 万元月成本这个代价可以接受。过度扩容的副作用通过最低缩容冷却时间5 分钟和每次最多缩 1 节点来控制。五、总结推理服务自动扩缩容的核心设计要点队列深度是推理场景中最敏感的容量指标CPU 利用率在 65% 时队列可能已经堆积 15 秒这是 CPU-based HPA 在推理场景失效的根本原因预热节点池消除冷启动是扩缩容可用性的前提120 秒 → 8 秒的冷启动压缩是扩容延迟从 15 分钟缩短到 30 秒的核心贡献双阈值温和/紧急应对流量的不同增长模式温和增长30%/分钟用温和扩容突发流量200%/分钟触发紧急扩容缩容比扩容更需要保守过度缩容会导致服务中断过度扩容只是多花点钱。缩容冷却时间设为扩容冷却的 2.5 倍是经验值。适用边界本方案适用于请求复杂度均匀单次推理 100~500ms的推理场景。长短请求混合如 50ms 的翻译 10s 的长文生成会导致队列深度指标失真需引入请求分类维度。
推理服务自动扩缩容从压测发现不够才加到 GPU 利用率驱动的弹性伸缩复盘一、手动扩容的滞后性等用户投诉了才知道 Queue 已爆大促期间推理服务的 GPU 集群经历了三次手动扩容→来不量→队列爆满→用户投诉→紧急加节点的循环。每次从发现流量增长到完成节点扩容需要约 15 分钟而流量从正常到剧增只需要 3 分钟。这 12 分钟的空窗期就是用户体验崩塌的时间。事后复盘发现问题不在资源不足——集群有 8 张 A100 常备备用节点池里还有 4 张——而在于触发扩容的决策链太长监控→人工确认→审批→执行→等待启动→加载模型。将这条决策链压缩到分钟以内是弹性伸缩的核心目标。传统基于 CPU/内存利用率的 HPAHorizontal Pod Autoscaler在推理场景中表现不佳。推理请求的 CPU 使用率波动小始终在 60~80% 运行但请求队列深度是更敏感的容量指标。当 CPU 才 65% 时队列可能已经累积了 15 秒的积压。二、基于请求队列的弹性伸缩控制器选择请求队列深度Queue Depth GPU 利用率作为双维度指标替代传统的 CPU/内存指标# 基于队列深度 GPU 利用率的弹性伸缩控制器 class InferenceAutoscaler: def __init__(self, min_nodes: int 2, # 最少节点数 max_nodes: int 12, # 最大节点数 queue_warn_threshold: float 5.0, # 预警队列深度秒 queue_critical_threshold: float 15.0): # 紧急队列深度 self.min_nodes min_nodes self.max_nodes max_nodes self.queue_warn queue_warn_threshold self.queue_critical queue_critical_threshold self.current_nodes min_nodes self.last_scale_up datetime.min # 上次扩容时间 def evaluate(self, metrics: ScalingMetrics) - ScalingDecision: metrics: - queue_depth_seconds: 请求队列尾部等待时间 - gpu_utilization: GPU 利用率 [0, 1] - throughput_current: 当前吞吐token/s - throughput_target: 目标吞吐token/s decision ScalingDecision(actionnone, delta0) # 扩容决策 # 优先级 1: 紧急扩容队列 15 秒 if metrics.queue_depth_seconds self.queue_critical: decision ScalingDecision( actionscale_up, delta3, # 紧急扩容 3 个节点 reasonf队列深度 {metrics.queue_depth_seconds:.1f}s f{self.queue_critical}s 紧急阈值 ) # 优先级 2: 温和扩容队列 5~15 秒且距上次扩容 120 秒 elif (metrics.queue_depth_seconds self.queue_warn and (datetime.now() - self.last_scale_up).seconds 120): # 计算需要的节点增量目标吞吐 / 单节点吞吐 - 当前节点数 needed math.ceil( metrics.throughput_target / metrics.throughput_per_node ) delta min(needed - self.current_nodes, 2) # 每次最多 2 decision ScalingDecision( actionscale_up, deltamax(delta, 1), # 至少 1 reasonf队列 {metrics.queue_depth_seconds:.1f}s f目标吞吐 {metrics.throughput_target} tok/s ) # 缩容决策 # GPU 利用率 40% 队列清空 持续 5 分钟 elif (metrics.gpu_utilization 0.40 and metrics.queue_depth_seconds 1.0 and self.current_nodes self.min_nodes): decision ScalingDecision( actionscale_down, delta-1, # 温和缩容每次 -1 reasonfGPU 利用率 {metrics.gpu_utilization:.0%} 40%缩容 ) if decision.action ! none: self.last_scale_up datetime.now() if decision.action scale_up else self.last_scale_up self.current_nodes decision.delta return decision三、预热节点池消除模型加载的冷启动延迟扩容最快的卡点是模型加载——从 S3 下载权重到 GPU 显存需要 90~120 秒。预热节点池在流量低谷期预先下载模型并保持待命状态# 预热节点池配置 —— vLLM 预热模式 apiVersion: apps/v1 kind: Deployment metadata: name: inference-warm-pool spec: replicas: 2 # 始终保持 2 个预热节点 template: spec: containers: - name: vllm-warm image: vllm/vllm-openai:latest command: - python - -c - | from vllm import LLM # 预加载模型到 GPU 显存但不加入调度器 # --enforce-eager 禁用 CUDA Graph减少显存占用但不影响预热 llm LLM( model/models/llama-3-70b-awq, enforce_eagerTrue, gpu_memory_utilization0.90, ) # 保持进程运行等待调度器接管 import time while True: time.sleep(3600)预热节点在被正式纳入调度时仅需 58 秒的注册时间vs 90120 秒的完全冷启动将扩容延迟从 120 秒压缩到 8 秒。四、实际效果与过度扩容的副作用控制指标手动扩容自动弹性伸缩扩容触发延迟12~15 min30~120 sec队列溢出次数/月8.21.1GPU 平均利用率42%68%月均 GPU 成本18 万14.5 万误触发扩容次数/月02.3误触发扩容虚假流量尖刺导致的短暂扩容每月 2.3 次每次额外消耗约 40 元。相比节省的 3.5 万元月成本这个代价可以接受。过度扩容的副作用通过最低缩容冷却时间5 分钟和每次最多缩 1 节点来控制。五、总结推理服务自动扩缩容的核心设计要点队列深度是推理场景中最敏感的容量指标CPU 利用率在 65% 时队列可能已经堆积 15 秒这是 CPU-based HPA 在推理场景失效的根本原因预热节点池消除冷启动是扩缩容可用性的前提120 秒 → 8 秒的冷启动压缩是扩容延迟从 15 分钟缩短到 30 秒的核心贡献双阈值温和/紧急应对流量的不同增长模式温和增长30%/分钟用温和扩容突发流量200%/分钟触发紧急扩容缩容比扩容更需要保守过度缩容会导致服务中断过度扩容只是多花点钱。缩容冷却时间设为扩容冷却的 2.5 倍是经验值。适用边界本方案适用于请求复杂度均匀单次推理 100~500ms的推理场景。长短请求混合如 50ms 的翻译 10s 的长文生成会导致队列深度指标失真需引入请求分类维度。
