Настройка балансировки нагрузки между GPU-инстансами

Как отсутствие балансировки GPU убивает latency LLM-сервиса

Представьте: вы запустили четыре GPU-инстанса с vLLM, но 80% запросов уходит на первый сервер. Остальные простаивают, а пользователи жалуются на таймауты. Причина — не настроена балансировка нагрузки. Для LLM это критично: один длинный запрос на 4000 токенов может заблокировать сервер на минуту, пока остальные — idle. В результате p99 latency взлетает до 30 секунд, а утилизация GPU падает до 25%. Типичный кластер из 4 GPU без балансировки теряет до 50% пропускной способности.

Грамотная балансировка позволяет сократить затраты на GPU-инфраструктуру до 40% за счёт равномерной утилизации. Средняя экономия GPU-часов после внедрения — 30% при той же нагрузке. P99 latency снижается в 1.7 раза по сравнению с Round Robin. Если вы столкнулись с похожими проблемами, свяжитесь с нами — мы подберём оптимальную конфигурацию под ваш сценарий.

Сравнение алгоритмов балансировки для LLM

Least Pending Tokens — оптимальный выбор для сервисов с разнородной нагрузкой. Он использует Prometheus-метрики vLLM (vllm:num_requests_waiting), чтобы выбирать наименее загруженный инстанс. Наш опыт показывает, что Least Pending Tokens лучше Round Robin в 1.7 раза по p99 latency.

Пример: Nginx с health checks и кастомный балансировщик

Ниже — базовая конфигурация Nginx для upstream из четырёх vLLM-серверов, с active health checks и таймаутами для streaming.

upstream vllm_cluster { least_conn; server 10.0.1.10:8000 max_fails=3 fail_timeout=30s weight=1; server 10.0.1.11:8000 max_fails=3 fail_timeout=30s weight=1; server 10.0.1.12:8000 max_fails=3 fail_timeout=30s weight=1; server 10.0.1.13:8000 max_fails=3 fail_timeout=30s weight=1; keepalive 100; keepalive_requests 1000; keepalive_timeout 60s; } server { listen 443 ssl http2; server_name llm-api.internal; location /v1/ { proxy_pass http://vllm_cluster; proxy_http_version 1.1; proxy_set_header Connection ""; # Timeout для длинных streaming ответов proxy_read_timeout 600s; proxy_send_timeout 600s; proxy_connect_timeout 5s; # Streaming: отключаем буферизацию proxy_buffering off; proxy_cache off; chunked_transfer_encoding on; # Circuit breaker proxy_next_upstream error timeout http_500 http_502 http_503; proxy_next_upstream_tries 2; proxy_next_upstream_timeout 10s; } location /health { proxy_pass http://vllm_cluster/health; } } 

Если требуется более интеллектуальный выбор бэкенда — пишем кастомный балансировщик на FastAPI, опрашивающий метрики в реальном времени.

from fastapi import FastAPI, Request import httpx import asyncio class LLMLeastPendingBalancer: def __init__(self, backends: list[str]): self.backends = {url: {"pending": 0, "healthy": True} for url in backends} self.client = httpx.AsyncClient(timeout=300) async def get_backend(self) -> str: """Выбираем backend с наименьшим числом pending токенов.""" healthy = {url: info for url, info in self.backends.items() if info["healthy"]} if not healthy: raise RuntimeError("No healthy backends") metrics = await self._fetch_metrics(list(healthy.keys())) best = min(metrics.items(), key=lambda x: x[1].get("vllm_num_requests_waiting", 0)) return best[0] async def _fetch_metrics(self, backends: list[str]) -> dict: tasks = [self._get_backend_queue(url) for url in backends] results = await asyncio.gather(*tasks, return_exceptions=True) return {url: result for url, result in zip(backends, results) if not isinstance(result, Exception)} async def _get_backend_queue(self, url: str) -> dict: response = await self.client.get(f"{url}/metrics") for line in response.text.split('\n'): if line.startswith('vllm:num_requests_waiting'): return {"vllm_num_requests_waiting": float(line.split()[-1])} return {"vllm_num_requests_waiting": 0} async def forward(self, request: Request) -> httpx.Response: backend = await self.get_backend() url = f"{backend}{request.url.path}" self.backends[backend]["pending"] += 1 try: return await self.client.request( method=request.method, url=url, content=await request.body(), headers=dict(request.headers) ) finally: self.backends[backend]["pending"] -= 1 app = FastAPI() balancer = LLMLeastPendingBalancer(["http://gpu1:8000", "http://gpu2:8000", "http://gpu3:8000"]) @app.api_route("/v1/{path:path}", methods=["GET", "POST"]) async def proxy(path: str, request: Request): return await balancer.forward(request) 

Почему sticky sessions критичны для LLM?

Если ваша LLM использует KV-кеш prefix reuse (например, общий system prompt в чат-боте), без липких сессий каждый запрос может попасть на другой сервер — кеш бесполезен. Решение — consistent hashing по префиксу и sticky sessions.

def get_backend_by_prefix(prompt: str, backends: list[str]) -> str: prefix_hash = hashlib.md5(prompt[:256].encode()).hexdigest() idx = int(prefix_hash, 16) % len(backends) return backends[idx] 

Применение sticky sessions увеличивает cache hit ratio на 30-50%, сокращая latency на 20%. Без них типичный сервис с общим system prompt теряет до 60% эффективности кеша.

Типичные ошибки при балансировке GPU

• Использование Round Robin для LLM — приводит к неравномерной загрузке.
• Отсутствие health checks — трафик уходит в упавший сервер.
• Игнорирование streaming-таймаутов — клиенты получают 502 ошибки при длинных генерациях.
• Неверная конфигурация proxy_buffering — увеличивает latency.
• Отсутствие failover GPU — при сбое одного инстанса весь трафик теряется.

Как настроить health checks для GPU-инстансов?

Что входит в настройку балансировки под ключ

1. Анализ сценариев нагрузки (количество запросов, длина токенов, требования к latency).
2. Выбор алгоритма и стека (Nginx, кастомный балансировщик, Envoy).
3. Настройка health checks, circuit breaker, таймаутов.
4. Реализация sticky sessions (если нужен KV-кеш).
5. Интеграция с мониторингом (Prometheus + Grafana дашборды).
6. Документация по эксплуатации и Playbook для инцидентов.

Процесс работы

• Аналитика — сбор метрик текущей инфраструктуры, профилирование запросов.
• Проектирование — архитектура балансировки, выбор алгоритмов, схема failover.
• Реализация — развёртывание конфигов или написание кастомного модуля.
• Тестирование — нагрузочное тестирование с замерами p50/p99/p999 latency.
• Деплой — поэтапный rollout с canary-релизом.

Сроки и стоимость

Базовая настройка на Nginx — от 1 дня. Кастомный балансировщик с поддержкой Least Pending Tokens — от 3 до 5 дней. Стоимость рассчитывается индивидуально, исходя из сложности инфраструктуры и требований к отказоустойчивости. Гарантируем стабильность сервиса после внедрения — наши инженеры с 5+ лет опыта в ML-инфраструктуре выполняют работу под ключ. Типичный ROI внедрения — 6 месяцев.

Мониторинг распределения нагрузки

После внедрения отслеживайте: распределение RPS (должно быть равномерным ±20%), queue depth на каждом бэкенде, error rate, latency p99. Настройте алерт: «один бэкенд принимает >80% трафика» — сигнал о сбое. При правильной настройке p99 latency снижается до 5 секунд, а утилизация GPU повышается до 95%. Cache hit ratio достигает 70% при использовании sticky sessions. Мы также обучаем команду работе с дашбордами.

Свяжитесь с нами для предварительного аудита — мы оценим текущую конфигурацию и предложим оптимальное решение. Закажите консультацию — поможем с выбором стратегии балансировки для вашего GPU-кластера.