实现

实现#

PagedAttention 的核心思想是将每个请求的 KV 缓存划分为 KV 块。每个块包含固定数量的 token 的注意力键和值。PagedAttention 算法允许这些块存储在非连续的物理内存中，这样我们就可以通过按需分配内存来消除内存碎片。

为了自动缓存 KV 缓存，我们利用以下关键观察结果：每个 KV 块可以通过块内的 token 和块之前的词缀中的 token 来唯一标识。

                    Block 1                  Block 2                  Block 3
         [A gentle breeze stirred] [the leaves as children] [laughed in the distance]
Block 1: |<--- block tokens ---->|
Block 2: |<------- prefix ------>| |<--- block tokens --->|
Block 3: |<------------------ prefix -------------------->| |<--- block tokens ---->|

在上面的示例中，第一个块中的 KV 缓存可以用 token “A gentle breeze stirred” 来唯一标识。第三个块可以用块中的 token “laughed in the distance” 以及词缀 token “A gentle breeze stirred the leaves as children” 来唯一标识。因此，我们可以建立以下一对一映射：

hash(prefix tokens + block tokens) <--> KV Block

通过这种映射，我们可以在 vLLM 的 KV 缓存管理中添加另一个间接层。以前，vLLM 中的每个序列都维护着从其逻辑 KV 块到物理块的映射。为了实现 KV 块的自动缓存，我们将逻辑 KV 块映射到它们的哈希值，并维护所有物理块的全局哈希表。这样，所有共享相同哈希值的 KV 块（例如，跨两个请求的共享词缀块）都可以映射到同一个物理块并共享内存空间。

这种设计实现了自动词缀缓存，而无需在 KV 块之间维护树结构。更具体地说，所有块都是相互独立的，可以自行分配和释放，这使我们能够像操作系统中的普通缓存一样管理 KV 缓存。

通用缓存策略#

将所有 KV 块存储在哈希表中，使 vLLM 能够缓存来自先前请求的 KV 块，从而节省内存并加速未来请求的计算。例如，如果一个新请求与先前请求共享系统提示，则共享提示的 KV 缓存可以直接用于新请求，无需重新计算。但是，总的 KV 缓存空间是有限的，当缓存已满时，我们必须决定保留或驱逐哪些 KV 块。

使用哈希表管理 KV 缓存使我们能够实现灵活的缓存策略。例如，在当前的 vLLM 中，我们实现了以下驱逐策略：

  • 当没有剩余的空闲块时，我们将驱逐引用计数（即当前使用该块的请求数）为 0 的 KV 块。

  • 如果有多个块的引用计数为 0，我们将优先驱逐最近最少使用（LRU）的块。

  • 如果有多个块的最后访问时间相同，我们将优先驱逐位于最长前缀末尾的块（即，在其之前具有最大数量的块）。

请注意，当应用于具有完全注意力的模型时，此驱逐策略有效地实现了与 RadixAttention 中完全相同的策略，该策略优先驱逐前缀树中引用计数为零且最近最少使用的叶节点。

但是，基于哈希的 KV 缓存管理使我们能够灵活地处理更复杂的提供场景，并实现比上述策略更复杂的驱逐策略：

  • 多 LoRA 提供。当为多个 LoRA 适配器提供请求时，我们可以简单地让每个 KV 块的哈希值也包含请求查询的 LoRA ID，以启用所有适配器的缓存。通过这种方式，我们可以共同管理不同适配器的 KV 块，这简化了系统实现并提高了全局缓存命中率和效率。

  • 多模态模型。当用户输入包含不止离散标记时，我们可以使用不同的哈希方法来处理不同模态输入的缓存。例如，使用感知哈希来缓存类似的输入图像。

目录