このチュートリアルでは、GKE 推論ゲートウェイを使用して Google Kubernetes Engine（GKE）に大規模言語モデル（LLM）をデプロイする方法について説明します。このチュートリアルでは、クラスタのセットアップ、モデルのデプロイ、GKE Inference Gateway の構成、LLM リクエストの処理の手順について説明します。
このチュートリアルは、GKE Inference Gateway を使用して GKE で LLM アプリケーションをデプロイして管理する ML エンジニア、プラットフォーム管理者、オペレーター、データおよび AI スペシャリストを対象としています。
このページを読む前に、次のことを理解しておいてください。
- GKE でのモデル推論について
- GKE Inference Quickstart レシピを使用してベスト プラクティスの推論を実行する
- Autopilot モードと Standard モード
- GKE の GPU
背景
このセクションでは、このチュートリアルで使用されている重要なテクノロジーについて説明します。モデル サービングのコンセプトと用語、GKE の生成 AI 機能を使用してモデル提供のパフォーマンスを強化する方法については、GKE でのモデル推論についてをご覧ください。
vLLM
vLLM は、GPU のサービング スループットを向上させる高度に最適化されたオープンソースの LLM サービング フレームワークです。主な機能は次のとおりです。
- PagedAttention による Transformer の実装の最適化
- サービング スループットを全体的に向上させる連続的なバッチ処理
- 複数の GPU でのテンソル並列処理と分散サービング
詳細については、vLLM のドキュメントをご覧ください。
GKE Inference Gateway
GKE Inference Gateway は、LLM のサービングに関する GKE の機能を強化します。推論ワークロードは、次のような機能で最適化されます。
- 負荷指標に基づく推論最適化ロード バランシング。
- LoRA アダプタの密なマルチ ワークロード サービングのサポート。
- オペレーションを簡素化するモデル認識ルーティング。
詳細については、GKE Inference Gateway についてをご覧ください。
モデルへのアクセス権を取得する
Llama3.1 モデルを GKE にデプロイするには、ライセンス同意契約に署名して、Hugging Face のアクセス トークンを生成します。
ライセンス同意契約に署名する
Llama3.1 モデルを使用するには、同意契約に署名する必要があります。手順は次のとおりです。
- 同意ページにアクセスし、Hugging Face アカウントの使用に関し同意します。
- モデルの規約に同意します。
アクセス トークンを生成する
Hugging Face からモデルにアクセスするには、Hugging Face トークンが必要です。
トークンをまだ生成していない場合は、次の手順に沿って生成します。
- [Your Profile] > [Settings] > [Access Tokens] の順にクリックします。
- [New Token] を選択します。
- 任意の名前と、少なくとも
Readロールを指定します。 - [Generate a token] を選択します。
- トークンをクリップボードにコピーします。
環境を準備する
このチュートリアルでは、Cloud Shell を使用してGoogle Cloudでホストされているリソースを管理します。Cloud Shell には、このチュートリアルに必要な kubectl や gcloud CLI などのソフトウェアがプリインストールされています。
Cloud Shell を使用して環境を設定するには、次の操作を行います。
Google Cloud コンソールで
（Cloud Shell をアクティブにする）をクリックして、Google Cloud コンソールで Cloud Shell セッションを起動します。これにより、 Google Cloud コンソールの下部ペインでセッションが起動します。デフォルトの環境変数を設定します。
gcloud config set project PROJECT_ID gcloud config set billing/quota_project PROJECT_ID export PROJECT_ID=$(gcloud config get project) export REGION=REGION export CLUSTER_NAME=CLUSTER_NAME export HF_TOKEN=HF_TOKEN次の値を置き換えます。
PROJECT_ID: Google Cloudプロジェクト ID。REGION: 使用するアクセラレータ タイプをサポートするリージョン（たとえば、H100 GPU の場合はus-central1）。CLUSTER_NAME: クラスタの名前。HF_TOKEN: 先ほど生成した Hugging Face トークン。
Google Cloud リソースを作成して構成する
GKE クラスタとノードプールを作成する
GKE Autopilot クラスタまたは GKE Standard クラスタの GPU で LLM をサービングします。フルマネージドの Kubernetes エクスペリエンスを実現するには、Autopilot クラスタを使用することをおすすめします。ワークロードに最適な GKE の運用モードを選択するには、GKE の運用モードを選択するをご覧ください。
Autopilot
Cloud Shell で、次のコマンドを実行します。
gcloud container clusters create-auto CLUSTER_NAME \
--project=PROJECT_ID \
--location=CONTROL_PLANE_LOCATION \
--release-channel=rapid
次の値を置き換えます。
PROJECT_ID: Google Cloudのプロジェクト ID。CONTROL_PLANE_LOCATION: クラスタのコントロール プレーンの Compute Engine の リージョン。使用するアクセラレータ タイプをサポートするリージョンを指定します（たとえば、H100 GPU の場合はus-central1）。CLUSTER_NAME: クラスタの名前。
GKE は、デプロイされたワークロードからのリクエストに応じた CPU ノードと GPU ノードを持つ Autopilot クラスタを作成します。
Standard
Cloud Shell で、次のコマンドを実行して Standard クラスタを作成します。
gcloud container clusters create CLUSTER_NAME \ --project=PROJECT_ID \ --location=CONTROL_PLANE_LOCATION \ --workload-pool=PROJECT_ID.svc.id.goog \ --release-channel=rapid \ --num-nodes=1 \ --enable-managed-prometheus \ --monitoring=SYSTEM,DCGM \ --gateway-api=standard次の値を置き換えます。
PROJECT_ID: Google Cloudのプロジェクト ID。CONTROL_PLANE_LOCATION: クラスタのコントロール プレーンの Compute Engine の リージョン。使用するアクセラレータ タイプをサポートするリージョンを指定します（たとえば、H100 GPU の場合はus-central1）。CLUSTER_NAME: クラスタの名前。
クラスタの作成には数分かかることもあります。
Llama-3.1-8B-Instructモデルを実行するのに適したディスクサイズでノードプールを作成するには、次のコマンドを実行します。gcloud container node-pools create gpupool \ --accelerator type=nvidia-h100-80gb,count=2,gpu-driver-version=latest \ --project=PROJECT_ID \ --location=CONTROL_PLANE_LOCATION \ --node-locations=CONTROL_PLANE_LOCATION-a \ --cluster=CLUSTER_NAME \ --machine-type=a3-highgpu-2g \ --num-nodes=1 \GKE は、H100 GPU を含む単一のノードプールを作成します。
指標をスクレイピングするための認可を設定する
指標をスクレイピングするための認可を設定するには、inference-gateway-sa-metrics-reader-secret Secret を作成します。
kubectl apply -f - <<EOF
---
apiVersion: rbac.authorization.k8s.io/v1
kind: ClusterRole
metadata:
name: inference-gateway-metrics-reader
rules:
- nonResourceURLs:
- /metrics
verbs:
- get
---
apiVersion: v1
kind: ServiceAccount
metadata:
name: inference-gateway-sa-metrics-reader
namespace: default
---
apiVersion: rbac.authorization.k8s.io/v1
kind: ClusterRoleBinding
metadata:
name: inference-gateway-sa-metrics-reader-role-binding
namespace: default
subjects:
- kind: ServiceAccount
name: inference-gateway-sa-metrics-reader
namespace: default
roleRef:
kind: ClusterRole
name: inference-gateway-metrics-reader
apiGroup: rbac.authorization.k8s.io
---
apiVersion: v1
kind: Secret
metadata:
name: inference-gateway-sa-metrics-reader-secret
namespace: default
annotations:
kubernetes.io/service-account.name: inference-gateway-sa-metrics-reader
type: kubernetes.io/service-account-token
---
apiVersion: rbac.authorization.k8s.io/v1
kind: ClusterRole
metadata:
name: inference-gateway-sa-metrics-reader-secret-read
rules:
- resources:
- secrets
apiGroups: [""]
verbs: ["get", "list", "watch"]
resourceNames: ["inference-gateway-sa-metrics-reader-secret"]
---
apiVersion: rbac.authorization.k8s.io/v1
kind: ClusterRoleBinding
metadata:
name: gmp-system:collector:inference-gateway-sa-metrics-reader-secret-read
namespace: default
roleRef:
name: inference-gateway-sa-metrics-reader-secret-read
kind: ClusterRole
apiGroup: rbac.authorization.k8s.io
subjects:
- name: collector
namespace: gmp-system
kind: ServiceAccount
EOF
Hugging Face の認証情報用の Kubernetes Secret を作成する
Cloud Shell で、次の操作を行います。
クラスタと通信するには、
kubectlを構成します。gcloud container clusters get-credentials CLUSTER_NAME \ --location=CONTROL_PLANE_LOCATION次の値を置き換えます。
CONTROL_PLANE_LOCATION: クラスタのコントロール プレーンの Compute Engine のリージョン。CLUSTER_NAME: クラスタの名前。
Hugging Face トークンを含む Kubernetes Secret を作成します。
kubectl create secret generic hf-token \ --from-literal=token=HF_TOKEN \ --dry-run=client -o yaml | kubectl apply -f -HF_TOKENは、先ほど生成した Hugging Face トークンに置き換えます。
InferenceObjective CRD と InferencePool CRD をインストールする
このセクションでは、GKE Inference Gateway に必要なカスタム リソース定義（CRD）をインストールします。
CRD は Kubernetes API を拡張します。これにより、新しいリソースタイプを定義できます。GKE Inference Gateway を使用するには、次のコマンドを実行して、GKE クラスタに InferencePool と InferenceObjective の CRD をインストールします。
kubectl apply -f https://github.com/kubernetes-sigs/gateway-api-inference-extension/releases/download/v1.0.0/manifests.yaml
モデルサーバーをデプロイする
この例では、vLLM モデルサーバーを使用して Llama3.1 モデルをデプロイします。Deployment に app:vllm-llama3.1-8b-instruct というラベルが付いています。この Deployment は、Hugging Face の food-review と cad-fabricator という 2 つの LoRA アダプタも使用します。このデプロイは、独自のモデルサーバーとモデルコンテナ、サービング ポート、デプロイ名で更新できます。また、Deployment で LoRA アダプタを構成することも、ベースモデルをデプロイすることもできます。
nvidia-h100-80gbアクセラレータ タイプにデプロイするには、次のマニフェストをvllm-llama3.1-8b-instruct.yamlとして保存します。このマニフェストでは、モデルとモデルサーバーを含む Kubernetes Deployment を定義します。apiVersion: apps/v1 kind: Deployment metadata: name: vllm-llama3.1-8b-instruct spec: replicas: 3 selector: matchLabels: app: vllm-llama3.1-8b-instruct template: metadata: labels: app: vllm-llama3.1-8b-instruct spec: containers: - name: vllm # Versions of vllm after v0.8.5 have an issue due to an update in NVIDIA driver path. # The following workaround can be used until the fix is applied to the vllm release # BUG: https://github.com/vllm-project/vllm/issues/18859 image: "vllm/vllm-openai:latest" imagePullPolicy: Always command: ["sh", "-c"] args: - >- PATH=$PATH:/usr/local/nvidia/bin LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/nvidia/lib:/usr/local/nvidia/lib64 python3 -m vllm.entrypoints.openai.api_server --model meta-llama/Llama-3.1-8B-Instruct --tensor-parallel-size 1 --port 8000 --enable-lora --max-loras 2 --max-cpu-loras 12 env: # Enabling LoRA support temporarily disables automatic v1, we want to force it on # until 0.8.3 vLLM is released. - name: VLLM_USE_V1 value: "1" - name: PORT value: "8000" - name: HUGGING_FACE_HUB_TOKEN valueFrom: secretKeyRef: name: hf-token key: token - name: VLLM_ALLOW_RUNTIME_LORA_UPDATING value: "true" ports: - containerPort: 8000 name: http protocol: TCP lifecycle: preStop: # vLLM stops accepting connections when it receives SIGTERM, so we need to sleep # to give upstream gateways a chance to take us out of rotation. The time we wait # is dependent on the time it takes for all upstreams to completely remove us from # rotation. Older or simpler load balancers might take upwards of 30s, but we expect # our deployment to run behind a modern gateway like Envoy which is designed to # probe for readiness aggressively. sleep: # Upstream gateway probers for health should be set on a low period, such as 5s, # and the shorter we can tighten that bound the faster that we release # accelerators during controlled shutdowns. However, we should expect variance, # as load balancers may have internal delays, and we don't want to drop requests # normally, so we're often aiming to set this value to a p99 propagation latency # of readiness -> load balancer taking backend out of rotation, not the average. # # This value is generally stable and must often be experimentally determined on # for a given load balancer and health check period. We set the value here to # the highest value we observe on a supported load balancer, and we recommend # tuning this value down and verifying no requests are dropped. # # If this value is updated, be sure to update terminationGracePeriodSeconds. # seconds: 30 # # IMPORTANT: preStop.sleep is beta as of Kubernetes 1.30 - for older versions # replace with this exec action. #exec: # command: # - /usr/bin/sleep # - 30 livenessProbe: httpGet: path: /health port: http scheme: HTTP # vLLM's health check is simple, so we can more aggressively probe it. Liveness # check endpoints should always be suitable for aggressive probing. periodSeconds: 1 successThreshold: 1 # vLLM has a very simple health implementation, which means that any failure is # likely significant. However, any liveness triggered restart requires the very # large core model to be reloaded, and so we should bias towards ensuring the # server is definitely unhealthy vs immediately restarting. Use 5 attempts as # evidence of a serious problem. failureThreshold: 5 timeoutSeconds: 1 readinessProbe: httpGet: path: /health port: http scheme: HTTP # vLLM's health check is simple, so we can more aggressively probe it. Readiness # check endpoints should always be suitable for aggressive probing, but may be # slightly more expensive than readiness probes. periodSeconds: 1 successThreshold: 1 # vLLM has a very simple health implementation, which means that any failure is # likely significant, failureThreshold: 1 timeoutSeconds: 1 # We set a startup probe so that we don't begin directing traffic or checking # liveness to this instance until the model is loaded. startupProbe: # Failure threshold is when we believe startup will not happen at all, and is set # to the maximum possible time we believe loading a model will take. In our # default configuration we are downloading a model from HuggingFace, which may # take a long time, then the model must load into the accelerator. We choose # 10 minutes as a reasonable maximum startup time before giving up and attempting # to restart the pod. # # IMPORTANT: If the core model takes more than 10 minutes to load, pods will crash # loop forever. Be sure to set this appropriately. failureThreshold: 600 # Set delay to start low so that if the base model changes to something smaller # or an optimization is deployed, we don't wait unnecessarily. initialDelaySeconds: 2 # As a startup probe, this stops running and so we can more aggressively probe # even a moderately complex startup - this is a very important workload. periodSeconds: 1 httpGet: # vLLM does not start the OpenAI server (and hence make /health available) # until models are loaded. This may not be true for all model servers. path: /health port: http scheme: HTTP resources: limits: nvidia.com/gpu: 1 requests: nvidia.com/gpu: 1 volumeMounts: - mountPath: /data name: data - mountPath: /dev/shm name: shm - name: adapters mountPath: "/adapters" # This is the second container in the Pod, a sidecar to the vLLM container. # It watches the ConfigMap and downloads LoRA adapters. - name: lora-adapter-syncer image: us-central1-docker.pkg.dev/k8s-staging-images/gateway-api-inference-extension/lora-syncer:main imagePullPolicy: Always env: - name: DYNAMIC_LORA_ROLLOUT_CONFIG value: "/config/configmap.yaml" volumeMounts: # DO NOT USE subPath, dynamic configmap updates don't work on subPaths - name: config-volume mountPath: /config restartPolicy: Always # vLLM allows VLLM_PORT to be specified as an environment variable, but a user might # create a 'vllm' service in their namespace. That auto-injects VLLM_PORT in docker # compatible form as `tcp://<IP>:<PORT>` instead of the numeric value vLLM accepts # causing CrashLoopBackoff. Set service environment injection off by default. enableServiceLinks: false # Generally, the termination grace period needs to last longer than the slowest request # we expect to serve plus any extra time spent waiting for load balancers to take the # model server out of rotation. # # An easy starting point is the p99 or max request latency measured for your workload, # although LLM request latencies vary significantly if clients send longer inputs or # trigger longer outputs. Since steady state p99 will be higher than the latency # to drain a server, you may wish to slightly this value either experimentally or # via the calculation below. # # For most models you can derive an upper bound for the maximum drain latency as # follows: # # 1. Identify the maximum context length the model was trained on, or the maximum # allowed length of output tokens configured on vLLM (llama2-7b was trained to # 4k context length, while llama3-8b was trained to 128k). # 2. Output tokens are the more compute intensive to calculate and the accelerator # will have a maximum concurrency (batch size) - the time per output token at # maximum batch with no prompt tokens being processed is the slowest an output # token can be generated (for this model it would be about 10ms TPOT at a max # batch size around 50, or 100 tokens/sec) # 3. Calculate the worst case request duration if a request starts immediately # before the server stops accepting new connections - generally when it receives # SIGTERM (for this model that is about 4096 / 100 ~ 40s) # 4. If there are any requests generating prompt tokens that will delay when those # output tokens start, and prompt token generation is roughly 6x faster than # compute-bound output token generation, so add 40% to the time from above (40s + # 16s = 56s) # # Thus we think it will take us at worst about 56s to complete the longest possible # request the model is likely to receive at maximum concurrency (highest latency) # once requests stop being sent. # # NOTE: This number will be lower than steady state p99 latency since we stop receiving # new requests which require continuous prompt token computation. # NOTE: The max timeout for backend connections from gateway to model servers should # be configured based on steady state p99 latency, not drain p99 latency # # 5. Add the time the pod takes in its preStop hook to allow the load balancers to # stop sending us new requests (56s + 30s = 86s). # # Because the termination grace period controls when the Kubelet forcibly terminates a # stuck or hung process (a possibility due to a GPU crash), there is operational safety # in keeping the value roughly proportional to the time to finish serving. There is also # value in adding a bit of extra time to deal with unexpectedly long workloads. # # 6. Add a 50% safety buffer to this time (86s * 1.5 ≈ 130s). # # One additional source of drain latency is that some workloads may run close to # saturation and have queued requests on each server. Since traffic in excess of the # max sustainable QPS will result in timeouts as the queues grow, we assume that failure # to drain in time due to excess queues at the time of shutdown is an expected failure # mode of server overload. If your workload occasionally experiences high queue depths # due to periodic traffic, consider increasing the safety margin above to account for # time to drain queued requests. terminationGracePeriodSeconds: 130 nodeSelector: cloud.google.com/gke-accelerator: "nvidia-h100-80gb" volumes: - name: data emptyDir: {} - name: shm emptyDir: medium: Memory - name: adapters emptyDir: {} - name: config-volume configMap: name: vllm-llama3.1-8b-adapters --- apiVersion: v1 kind: ConfigMap metadata: name: vllm-llama3.1-8b-adapters data: configmap.yaml: | vLLMLoRAConfig: name: vllm-llama3.1-8b-instruct port: 8000 defaultBaseModel: meta-llama/Llama-3.1-8B-Instruct ensureExist: models: - id: food-review source: Kawon/llama3.1-food-finetune_v14_r8 - id: cad-fabricator source: redcathode/fabricator --- kind: HealthCheckPolicy apiVersion: networking.gke.io/v1 metadata: name: health-check-policy namespace: default spec: targetRef: group: "inference.networking.k8s.io" kind: InferencePool name: vllm-llama3.1-8b-instruct default: config: type: HTTP httpHealthCheck: requestPath: /health port: 8000マニフェストをクラスタに適用します。
kubectl apply -f vllm-llama3.1-8b-instruct.yaml
InferencePool リソースを作成する
InferencePool Kubernetes カスタム リソースは、共通のベースとなる LLM とコンピューティング構成を持つ Pod のグループを定義します。
InferencePool カスタム リソースには、次の主なフィールドが含まれています。
selector: このプールに属する Pod を指定します。このセレクタのラベルは、モデルサーバー Pod に適用されるラベルと完全に一致している必要があります。targetPort: Pod 内のモデルサーバーで使用されるポートを定義します。
InferencePool により、GKE Inference Gateway はモデルサーバー Pod にトラフィックをルーティングできるようになります。
Helm を使用して InferencePool を作成する手順は次のとおりです。
helm install vllm-llama3.1-8b-instruct \
--set inferencePool.modelServers.matchLabels.app=vllm-llama3.1-8b-instruct \
--set provider.name=gke \
--set healthCheckPolicy.create=false \
--version v1.0.0 \
oci://registry.k8s.io/gateway-api-inference-extension/charts/inferencepool
次のフィールドを Deployment に合わせて変更します。
inferencePool.modelServers.matchLabels.app: モデルサーバー Pod の選択に使用されるラベルのキー。
このコマンドは、モデルサーバーのデプロイを論理的に表し、Selector が選択した Pod 内のモデル エンドポイント サービスを参照する InferencePool オブジェクトを作成します。
サービングの重要度で InferenceObjective リソースを作成する
InferenceObjective カスタム リソースは、モデルの優先度などのサービング パラメータを定義します。InferencePool でサービングされるモデルを定義するには、InferenceObjective リソースを作成する必要があります。これらのリソースは、InferencePool のモデルサーバーでサポートされているベースモデルまたは LoRA アダプタを参照できます。
metadata.name フィールドにはモデルの名前を指定します。priority フィールドにはサービングの重要度を設定します。poolRef フィールドは、モデルが提供される InferencePool にリンクします。
InferenceObjective を作成する手順は次のとおりです。
次のサンプル マニフェストを
inferenceobjective.yamlとして保存します。apiVersion: inference.networking.x-k8s.io/v1alpha2 kind: InferenceObjective metadata: name: MODEL_NAME spec: priority: VALUE poolRef: name: INFERENCE_POOL_NAME kind: "InferencePool"次のように置き換えます。
MODEL_NAME: ベースモデルまたは LoRA アダプタの名前。例:food-reviewVALUE: 推論目標の優先度。これは整数で、値が大きいほどリクエストの重要度が高いことを示します。例:10INFERENCE_POOL_NAME: 前の手順で作成したInferencePoolの名前。例:vllm-llama3.1-8b-instruct
マニフェストをクラスタに適用します。
kubectl apply -f inferenceobjective.yaml
次の例では、2 つの InferenceObjective オブジェクトを作成します。最初の構成では、vllm-llama3.1-8b-instruct
InferencePool に優先度 10 で food-review LoRA モデルを構成します。2 つ目の構成では、llama3-base-model が 20 の優先度でサービングされるように構成します。
apiVersion: inference.networking.k8s.io/v1alpha1
kind: InferenceObjective
metadata:
name: food-review
spec:
priority: 10
poolRef:
name: vllm-llama3.1-8b-instruct
kind: "InferencePool"
---
apiVersion: inference.networking.k8s.io/v1alpha1
kind: InferenceObjective
metadata:
name: llama3-base-model
spec:
priority: 20
poolRef:
name: vllm-llama3.1-8b-instruct
kind: "InferencePool"
Gateway を作成する
Gateway リソースは、Kubernetes クラスタへの外部トラフィックのエントリ ポイントとして機能します。受信接続を受け入れるリスナーを定義します。
GKE Inference Gateway は、gke-l7-rilb と gke-l7-regional-external-managed の Gateway クラスをサポートしています。詳細については、Gateway クラスに関する GKE のドキュメントをご覧ください。
Gateway を作成するには、次の操作を行います。
次のサンプル マニフェストを
gateway.yamlとして保存します。apiVersion: gateway.networking.k8s.io/v1 kind: Gateway metadata: name: GATEWAY_NAME spec: gatewayClassName: gke-l7-regional-external-managed listeners: - protocol: HTTP # Or HTTPS for production port: 80 # Or 443 for HTTPS name: httpGATEWAY_NAMEは、Gateway リソースの一意の名前に置き換えます。例:inference-gatewayマニフェストをクラスタに適用します。
kubectl apply -f gateway.yaml
HTTPRoute リソースを作成する
このセクションでは、HTTPRoute リソースを作成して、Gateway が受信した HTTP リクエストを InferencePool にルーティングする方法を定義します。
HTTPRoute リソースは、GKE Gateway が受信した HTTP リクエストをバックエンド サービス（InferencePool）にルーティングする方法を定義します。一致ルール（ヘッダーやパスなど）と、トラフィックをルーティングするバックエンドを指定します。
HTTPRoute を作成する手順は次のとおりです。
次のサンプル マニフェストを
httproute.yamlとして保存します。apiVersion: gateway.networking.k8s.io/v1 kind: HTTPRoute metadata: name: HTTPROUTE_NAME spec: parentRefs: - name: GATEWAY_NAME rules: - matches: - path: type: PathPrefix value: PATH_PREFIX backendRefs: - name: INFERENCE_POOL_NAME group: inference.networking.k8s.io kind: InferencePool次のように置き換えます。
HTTPROUTE_NAME:HTTPRouteリソースの一意の名前。例:my-routeGATEWAY_NAME: 作成したGatewayリソースの名前。例:inference-gatewayPATH_PREFIX: 受信リクエストの照合に使用するパス接頭辞。たとえば、/はすべてに一致します。INFERENCE_POOL_NAME: トラフィックを転送するInferencePoolリソースの名前。例:vllm-llama3.1-8b-instruct
マニフェストをクラスタに適用します。
kubectl apply -f httproute.yaml
推論リクエストを送信する
GKE Inference Gateway を構成したら、デプロイされたモデルに推論リクエストを送信できます。
推論リクエストを送信する手順は次のとおりです。
- Gateway エンドポイントを取得します。
- 適切な形式の JSON リクエストを作成します。
curlを使用して、/v1/completionsエンドポイントにリクエストを送信します。
これにより、入力プロンプトと指定されたパラメータに基づいてテキストを生成できます。
Gateway エンドポイントを取得するには、次のコマンドを実行します。
IP=$(kubectl get gateway/GATEWAY_NAME -o jsonpath='{.status.addresses[0].value}') PORT=80GATEWAY_NAMEは、Gateway リソースの名前に置き換えます。curlを使用して/v1/completionsエンドポイントにリクエストを送信するには、次のコマンドを実行します。curl -i -X POST http://${IP}:${PORT}/v1/completions \ -H "Content-Type: application/json" \ -d '{ "model": "MODEL_NAME", "prompt": "PROMPT_TEXT", "max_tokens": MAX_TOKENS, "temperature": "TEMPERATURE" }'次のように置き換えます。
MODEL_NAME: 使用するモデルまたは LoRA アダプタの名前。PROMPT_TEXT: モデルの入力プロンプト。MAX_TOKENS: レスポンスで生成するトークンの最大数。TEMPERATURE: 出力のランダム性を制御します。決定論的出力の場合は値0を使用し、より創造的な出力の場合はより大きい値を使用します。
次の点にご注意ください。
- リクエスト本文: リクエスト本文には、
stopやtop_pなどの追加パラメータを指定できます。オプションの一覧については、OpenAI API 仕様をご覧ください。 - エラー処理: クライアント コードに適切なエラー処理を実装して、レスポンスで発生する可能性のあるエラーを処理します。たとえば、
curlレスポンスの HTTP ステータス コードを確認します。200 以外のステータス コードは通常、エラーを示します。 - 認証と認可: 本番環境のデプロイでは、認証と認可メカニズムを使用して API エンドポイントを保護します。適切なヘッダー（
Authorizationなど）をリクエストに含めます。
Inference Gateway のオブザーバビリティを構成する
GKE Inference Gateway は、推論ワークロードの健全性、パフォーマンス、動作に関するオブザーバビリティを提供します。これは、問題の特定と解決、リソース使用率の最適化、およびアプリケーションの信頼性を保証するうえで役立ちます。これらのオブザーバビリティ指標は、Cloud Monitoring の Metrics Explorer で確認できます。
GKE Inference Gateway のオブザーバビリティを構成するには、オブザーバビリティを構成するをご覧ください。
デプロイされたリソースを削除する
このガイドで作成したリソースについて Google Cloud アカウントに課金されないようにするには、次のコマンドを実行します。
gcloud container clusters delete CLUSTER_NAME \
--location=CONTROL_PLANE_LOCATION
次の値を置き換えます。
CONTROL_PLANE_LOCATION: クラスタのコントロール プレーンの Compute Engine の リージョン。CLUSTER_NAME: クラスタの名前。
次のステップ
- GKE Inference Gateway について読む。
- GKE Inference Gateway のデプロイを確認する。