הגדרת התאמה אוטומטית לעומס (autoscaling) לעומסי עבודה של LLM במעבדי GPU באמצעות Google Kubernetes Engine ‏(GKE)

טייס אוטומטי רגילה

אתם יכולים להגדיר התאמה אוטומטית לעומס (autoscaling) לעומסי עבודה של מודלים גדולים של שפה (LLM) שפועלים במעבדים גרפיים (GPU) ב-Google Kubernetes Engine ‏(GKE). התכונה 'שינוי גודל אוטומטי' משנה באופן אוטומטי את המשאבים כדי להתמודד עם תנודות בביקוש, לשפר את הביצועים ולהפחית את עלויות התפעול. התהליך הזה כולל פריסה של Gemma LLM ושימוש ב-Horizontal Pod Autoscaler ‏ (HPA) של GKE כדי לשנות את גודל הפודים באופן אוטומטי. הפריסה משלבת גם את ממשק יצירת הטקסט של Hugging Face (TGI), שהוא מסגרת להסקת מסקנות יעילה.

מידע נוסף על בחירת מדדים להתאמה אוטומטית לעומס זמין במאמר שיטות מומלצות להתאמה אוטומטית לעומס של עומסי עבודה של מודלים גדולים של שפה (LLM) באמצעות GPU ב-GKE.

לפני שמתחילים

לפני שמתחילים, חשוב לוודא שביצעתם את הפעולות הבאות:

• מפעילים את ממשק Google Kubernetes Engine API.
הפעלת Google Kubernetes Engine API
• כדי להשתמש ב-CLI של Google Cloud למשימה הזו, צריך להתקין ואז לאתחל את ה-CLI של gcloud. אם התקנתם בעבר את ה-CLI של gcloud, מריצים את הפקודה gcloud components update כדי לקבל את הגרסה העדכנית. יכול להיות שגרסאות קודמות של ה-CLI של gcloud לא יתמכו בהרצת הפקודות שמופיעות במסמך הזה.
  הערה: אם כבר התקנתם את ה-CLI של gcloud, הקפידו להגדיר את compute/region המאפיין. אם אתם משתמשים בעיקר באשכולות אזוריים, עליכם להגדיר את compute/zone במקום זאת. אם מגדירים מיקום ברירת מחדל, אפשר להימנע משגיאות ב-CLI של gcloud כמו השגיאה הבאה: One of [--zone, --region] must be supplied: Please specify location. יכול להיות שתצטרכו לציין את המיקום בפקודות מסוימות אם המיקום של האשכול שונה מברירת המחדל שהגדרתם.

• מומלץ לעיין בתהליך העבודה במאמר פרסום מודלים פתוחים של Gemma באמצעות GPUs ב-GKE עם Hugging Face TGI.

התאמה אוטומטית של הקיבולת באמצעות מדדי שרת

אתם יכולים להשתמש במדדי הביצועים הספציפיים לעומס העבודה שמופקים על ידי שרת ההיסקים של TGI כדי לכוון את שינוי הגודל האוטומטי של ה-Pods. מידע נוסף על המדדים האלה זמין במאמר מדדים של השרת.

כדי להגדיר שינוי אוטומטי של קנה מידה של מדדים מותאמים אישית באמצעות מדדי שרת:

1. ייצוא המדדים משרת ה-TGI אל Cloud Monitoring. אתם משתמשים בשירות המנוהל של Google Cloud ל-Prometheus, שמפשט את הפריסה וההגדרה של כלי האיסוף של Prometheus. השירות המנוהל של Google Cloud ל-Prometheus מופעל כברירת מחדל באשכול GKE שלכם. אפשר גם להפעיל אותו באופן ידני.

   בקובץ המניפסט שמוצג בדוגמה הבאה מוגדר משאב PodMonitoring שמורה לשירות המנוהל של Google Cloud ל-Prometheus לבצע סקריפט של מדדים מה-Pods במרווחי זמן חוזרים של 15 שניות:

   apiVersion: monitoring.googleapis.com/v1
   kind: PodMonitoring
   metadata:
     name: gemma-pod-monitoring
   spec:
     selector:
       matchLabels:
         app: gemma-server
     endpoints:
     - port: 8000
       interval: 15s
   

2. מתקינים את Custom Metrics Stackdriver Adapter. המתאם הזה מאפשר לבקר HPA לראות את המדד המותאם אישית שייצאתם ל-Monitoring. פרטים נוספים זמינים במאמר בנושא שינוי אוטומטי של מספר העותקים של פודים במאמרי העזרה של השירות המנוהל של Google Cloud ל-Prometheus.

   בדוגמה הבאה אפשר לראות איך להתקין את המתאם:

   kubectl apply -f https://raw.githubusercontent.com/GoogleCloudPlatform/k8s-stackdriver/master/custom-metrics-stackdriver-adapter/deploy/production/adapter_new_resource_model.yaml
   

3. מגדירים את משאב ה-HPA שמבוסס על מדד מותאם אישית. פריסת משאב HPA שמבוסס על המדד המותאם אישית המועדף. פרטים נוספים זמינים במאמר בנושא שינוי אוטומטי של מספר העותקים של פודים במאמרי העזרה של השירות המנוהל של Google Cloud ל-Prometheus.

   בוחרים באחת מהכרטיסיות האלה כדי לראות דוגמאות להגדרת המשאב HorizontalPodAutoscaler במניפסט:

   גודל התור

   בדוגמה הזו נעשה שימוש במדדים של שרת tgi_queue_size TGI, שמייצגים את מספר הבקשות בתור.

   כדי לקבוע את ערך הסף הנכון של גודל התור ל-HPA, אפשר לעיין במאמר בנושא שיטות מומלצות להרחבת קנה מידה אוטומטית של עומסי עבודה של הסקת מסקנות של מודלים גדולים של שפה (LLM) באמצעות מעבדי GPU.

   apiVersion: autoscaling/v2
   kind: HorizontalPodAutoscaler
   metadata:
     name: gemma-server
   spec:
     scaleTargetRef:
       apiVersion: apps/v1
       kind: Deployment
       name: tgi-gemma-deployment
     minReplicas: 1
     maxReplicas: 5
     metrics:
     - type: Pods
       pods:
         metric:
           name: prometheus.googleapis.com|tgi_queue_size|gauge
         target:
           type: AverageValue
           averageValue:  $HPA_AVERAGEVALUE_TARGET
   

   גודל האצווה

   בדוגמה הזו נעשה שימוש במדד השרת tgi_batch_size TGI, שמייצג את מספר הבקשות באצווה הנוכחית.

   כדי לקבוע את ערך הסף הנכון של גודל האצווה ל-HPA, אפשר לעיין במאמר שיטות מומלצות להרחבת קנה מידה אוטומטית של עומסי עבודה של הסקת מסקנות של מודלים גדולים של שפה (LLM) באמצעות מעבדי GPU.

   apiVersion: autoscaling/v2
   kind: HorizontalPodAutoscaler
   metadata:
     name: gemma-server
   spec:
     scaleTargetRef:
       apiVersion: apps/v1
       kind: Deployment
       name: tgi-gemma-deployment
     minReplicas: 1
     maxReplicas: 5
     metrics:
     - type: Pods
       pods:
         metric:
           name: prometheus.googleapis.com|tgi_batch_current_size|gauge
         target:
           type: AverageValue
           averageValue:  $HPA_AVERAGEVALUE_TARGET
   

התאמה אוטומטית של הקיבולת באמצעות מדדי GPU

אתם יכולים להשתמש במדדי השימוש והביצועים שמופקים מה-GPU כדי להגדיר שינוי אוטומטי של גודל הקבוצות של ה-Pods. מידע נוסף על המדדים האלה זמין במאמר מדדי GPU.

כדי להגדיר שינוי אוטומטי של קנה מידה של מדדים מותאמים אישית באמצעות מדדי GPU, פועלים לפי השלבים הבאים:

1. ייצוא מדדי ה-GPU ל-Cloud Monitoring אם הפעלתם מדדים של המערכת באשכול GKE, המדד של ניצול ה-GPU נשלח אוטומטית אל Cloud Monitoring דרך container/accelerator/duty_cycle המדד של המערכת, כל 60 שניות.

   • כדי ללמוד איך להפעיל מדדי מערכת של GKE, אפשר לעיין במאמר בנושא הגדרת איסוף מדדים.
   • כדי להגדיר איסוף מנוהל, אפשר לעיין במאמר תחילת העבודה עם איסוף מנוהל במסמכי התיעוד של השירות המנוהל של Google Cloud ל-Prometheus.
   • טכניקות נוספות למעקב אחרי ביצועי עומסי העבודה של ה-GPU ב-GKE מפורטות במאמר הפעלת מעבדי GPU במאגרי צמתים רגילים ב-GKE.

   בקובץ המניפסט הבא לדוגמה אפשר לראות איך מגדירים את הגדרת המשאב PodMonitoring כדי להטמיע מדדים מעומס העבודה של NVIDIA DCGM:

   apiVersion: monitoring.googleapis.com/v1
   kind: PodMonitoring
   metadata:
     name: nvidia-dcgm-exporter-for-hpa
     namespace: gke-managed-system
     labels:
       app.kubernetes.io/name: nvidia-dcgm-exporter
       app.kubernetes.io/part-of: google-cloud-managed-prometheus
   spec:
     selector:
       matchLabels:
         app.kubernetes.io/name: gke-managed-dcgm-exporter
     endpoints:
       - port: metrics
         interval: 15s
         metricRelabeling:
           - action: keep
             sourceLabels: [__name__]
           - action: replace
             sourceLabels: [__name__]
             targetLabel: __name__
             regex: DCGM_FI_DEV_GPU_UTIL
             replacement: dcgm_fi_dev_gpu_util
   

   בקוד, חשוב לשנות את שם המדד של DCGM שבו משתמשים ב-HPA לאותיות קטנות. הסיבה לכך היא בעיה מוכרת שבה HPA לא פועל עם שמות מדדים חיצוניים באותיות רישיות. במקרה של אשכולות שלא נעשה בהם שימוש בייצוא DCGM מנוהל, צריך לוודא שההגדרות metadata.namespace ו-spec.selector.matchLabels של HPA זהות להגדרות של ייצוא DCGM.ההתאמה המדויקת הזו חיונית כדי ש-HPA יוכל לגלות ולשאול שאילתות לגבי מדדים מותאמים אישית.

2. מתקינים את Custom Metrics Stackdriver Adapter. המתאם הזה מאפשר לבקר HPA לראות את המדד המותאם אישית שייצאתם ל-Monitoring. פרטים נוספים זמינים במאמר בנושא שינוי אוטומטי של מספר העותקים של פודים במאמרי העזרה של השירות המנוהל של Google Cloud ל-Prometheus.

   בדוגמת הפקודה הבאה אפשר לראות איך מבצעים את ההתקנה:

   kubectl apply -f https://raw.githubusercontent.com/GoogleCloudPlatform/k8s-stackdriver/master/custom-metrics-stackdriver-adapter/deploy/production/adapter_new_resource_model.yaml
   

3. מגדירים את משאב ה-HPA שמבוסס על מדד מותאם אישית. פורסים משאב HPA על סמך המדד המותאם אישית המועדף. פרטים נוספים זמינים במאמר בנושא שינוי אוטומטי של מספר העותקים של פודים במאמרי העזרה של השירות המנוהל של Google Cloud ל-Prometheus.

   • מגדירים יעד ערך ממוצע ל-HPA כדי להפעיל שינוי גודל אוטומטי. אפשר לעשות את זה באופן ניסיוני. לדוגמה, אפשר ליצור עומס הולך וגובר על השרת ולראות איפה השימוש ב-GPU מגיע לשיא. חשוב לשים לב לסבילות של HPA, שמוגדרת כברירת מחדל כטווח של 0.1 ללא פעולה סביב ערך היעד כדי למנוע תנודות.
   • מומלץ להשתמש בכלי locust-load-inference לבדיקה. אפשר גם ליצור לוח בקרה מותאם אישית ב-Cloud Monitoring כדי להציג את התנהגות המדד.

   בוחרים באחת מהכרטיסיות האלה כדי לראות דוגמה להגדרת המשאב HorizontalPodAutoscaler במניפסט:

   דיוטי סייקל (מערכת GKE)

   apiVersion: autoscaling/v2
   kind: HorizontalPodAutoscaler
   metadata:
     name: gemma-hpa
   spec:
     scaleTargetRef:
       apiVersion: apps/v1
       kind: Deployment
       name: tgi-gemma-deployment
     minReplicas: 1
     maxReplicas: 5
     metrics:
     - type: External
       external:
         metric:
           name: kubernetes.io|container|accelerator|duty_cycle
           selector:
             matchLabels:
               resource.labels.container_name: inference-server
               resource.labels.namespace_name: default
         target:
           type: AverageValue
           averageValue:  $HPA_AVERAGEVALUE_TARGET
   

   דיוטי סייקל (DCGM)

   apiVersion: autoscaling/v2
   kind: HorizontalPodAutoscaler
   metadata:
     name: gemma-hpa
   spec:
     scaleTargetRef:
       apiVersion: apps/v1
       kind: Deployment
       name: tgi-gemma-deployment
     minReplicas: 1
     maxReplicas: 5
     metrics:
     - type: External
       external:
         metric:
           name: prometheus.googleapis.com|dcgm_fi_dev_gpu_util|unknown
           selector:
             matchLabels:
               metric.labels.exported_container: inference-server
               metric.labels.exported_namespace: default
         target:
           type: AverageValue
           averageValue:  $HPA_AVERAGEVALUE_TARGET
   

המאמרים הבאים

• איך חושפים מדדים מותאמים אישית לצורך שינוי אוטומטי של קנה המידה
• מידע נוסף על התאמה אופקית של קבוצות Pod לעומס זמין במסמכי התיעוד של Kubernetes בקוד פתוח.