Files
iAOP/core/llm-gateway/gpu_backend.py
T

251 lines
11 KiB
Python
Raw Normal View History

# -*- coding: utf-8 -*-
"""iAOP-Core · LLM 网关 —— NVIDIA GPU 推理后端(Issue #58,PRD 5.6)。
PRD 5.6「⑥ 部署底座」与父 EPIC #8 要求:NVIDIA GPU(5090)后端通过
Triton / ONNX 实现,必须落地 Issue #57 定义的 ``InferenceBackend`` 抽象接口
(``load_model / infer / health_check / unload``),业务代码只依赖接口、不感知硬件。
本模块交付 ``GpuTritonBackend`` —— 一个生产可用的 NVIDIA Triton Inference Server
客户端适配层:
- **协议**:走 Triton 的 HTTP/gRPC ``InferenceServerClient``(``tritonclient``),
按 ``model_repository`` 里的 ONNX/TensorRT 模型做推理;典型部署为 5090 单卡或
多卡数据并行。
- **配置驱动**:服务器地址 / 模型名 / 批大小 / 超时 / 是否走 gRPC 全部由构造参数
(即 values 配置)注入,切换后端 = 改适配层配置(对齐 PRD「切换后端仅改 values」)。
- **厂商 SDK 解耦**:``tritonclient`` 采用**惰性导入** + ``ImportError`` 容错。
- 生产环境(容器内预装 ``tritonclient[all]``)走真实 gRPC/HTTP 推理;
- 测试 / 无 GPU 环境自动退化到 ``_OfflineKernel``(确定性回显),生命周期与能力
声明完全一致,保证 CI 在纯 CPU 节点也能跑全套契约测试。
- **健康探针**:``health_check`` 调 Triton ``is_server_live`` / ``is_model_ready``,
返回结构化 :class:`BackendHealth`,供可用性监控探针(Issue #61)与灰度发布判定。
- **审计**:每次 ``infer`` 记录 ``prompt_tokens`` / ``completion_tokens`` / ``latency_ms``
(由 Triton 响应或离线核按 token 估算),供计费配额(PRD 5.6 配置点)。
设计要点
--------
1. **接口契约零偏离**:四个生命周期方法签名与 ``InferenceBackend`` 完全一致;
``generate`` 兼容方法继承自基类,``LLMGateway.ask()`` 调用路径不变。
2. **fail-closed**:未 ``load_model`` 即 ``infer`` 时抛 ``RuntimeError``(生产严格),
与占位后端的惰性自加载区分;离线核在测试夹具显式 ``load_model`` 后才可用。
3. **能力声明**:GPU 后端出厂内闭环(``on_premises=True``)、支持流式、单 5090 典型
并发 16(演示默认值,可由配置覆盖)。
4. **幂等**:``load_model`` 重复加载同模型 no-op;``unload`` 未加载也安全。
测试:``python -m unittest discover -s tests -v``(在 core/llm-gateway 目录下执行)。
"""
from __future__ import annotations
import time
from typing import Any, Dict, Optional, Sequence
from .backends import (
BackendCapabilities,
BackendHealth,
InferResult,
InferenceBackend,
)
# ---------------------------------------------------------------------------
# 厂商 SDK 惰性导入 —— 生产用 tritonclient,缺失则退化到离线核
# ---------------------------------------------------------------------------
def _try_import_tritonclient(prefer_grpc: bool = True):
"""惰性导入 tritonclient,按 gRPC / HTTP 偏好返回客户端类。
生产容器预装 ``tritonclient[all]``;开发 / CI 无 SDK 时返回 ``None``,
由 :class:`GpuTritonBackend` 自动退化到离线核,保证测试可移植。
"""
try: # pragma: no cover - 仅在生产环境触发真实导入
if prefer_grpc:
from tritonclient.grpc import service_pb2 # noqa: F401
import tritonclient.grpc as tritonclient # type: ignore
else:
import tritonclient.http as tritonclient # type: ignore
return tritonclient
except Exception:
# ImportError / ModuleNotFoundError / Triton 服务不可达均归一为「无 SDK」
return None
class _OfflineKernel:
"""离线推理核:无 tritonclient / 无 GPU 时的确定性回退实现。
不访问任何外部服务,输出由 prompt + 上下文确定性派生,便于断言。
生产路径(``tritonclient`` 可用)不会用到本类。
"""
def __init__(self) -> None:
self._server_live = False
self._ready_models: set[str] = set()
def start_server(self) -> None:
self._server_live = True
def stop_server(self) -> None:
self._server_live = False
self._ready_models.clear()
def load(self, model_name: str) -> None:
self._ready_models.add(model_name)
def unload(self, model_name: str) -> None:
self._ready_models.discard(model_name)
def is_server_live(self) -> bool:
return self._server_live
def is_model_ready(self, model_name: str) -> bool:
return model_name in self._ready_models
def infer(self, model_name: str, prompt: str,
context: Optional[Sequence[str]] = None,
max_tokens: int = 256) -> Dict[str, Any]:
"""确定性回显推理,返回与 Triton 响应对齐的字典结构。"""
ctx = list(context or [])
text = f"[gpu:{model_name}] {prompt[: max_tokens]}"
for src in ctx[:3]:
text += f"\n[来源: {src}]"
# 粗估 token 数(4 字符 ≈ 1 token),供审计字段;生产取 Triton 真实统计。
prompt_tokens = max(1, len(prompt) // 4)
completion_tokens = max(1, len(text) // 4)
return {
"text": text,
"model_name": model_name,
"prompt_tokens": prompt_tokens,
"completion_tokens": completion_tokens,
}
# ---------------------------------------------------------------------------
# NVIDIA GPU 后端(Triton / ONNX,对齐 PRD 5.6)
# ---------------------------------------------------------------------------
class GpuTritonBackend(InferenceBackend):
"""NVIDIA GPU 推理后端(Triton Inference Server + ONNX/TensorRT)。
实现父 EPIC #8 / Issue #58 要求的「5090 实现(Triton/ONNX)」后端,
严格落地 :class:`InferenceBackend` 契约,业务编排零改动即可切到本后端。
Args:
server_url: Triton 服务地址(``host:port``),生产由 values 注入。
model_name: 默认模型仓库名(如 ``llm-70b-onnx``)。
model_version: 模型版本(``""`` 表示由 Triton 选最新)。
prefer_grpc: True 走 gRPC(低延迟,推荐),False 走 HTTP。
max_concurrency: 单卡最大并发推理数(5090 演示默认 16)。
timeout_ms: 推理 / 健康探针超时(毫秒)。
max_tokens: 单次生成最大 token 数。
offline: 强制使用离线核(测试夹具用);默认按 SDK 可用性自动选择。
"""
name = "gpu-triton"
def __init__(
self,
server_url: str = "triton:8001",
model_name: str = "llm-70b-onnx",
model_version: str = "",
prefer_grpc: bool = True,
max_concurrency: int = 16,
timeout_ms: int = 30000,
max_tokens: int = 256,
offline: bool = False,
) -> None:
self.server_url = server_url
self.model_name = model_name
self.model_version = model_version
self.prefer_grpc = prefer_grpc
self._max_concurrency = max_concurrency
self.timeout_ms = timeout_ms
self.max_tokens = max_tokens
# 生命周期状态
self._loaded = False
self._loaded_model_id: Optional[str] = None
self._client: Any = None # tritonclient.InferenceServerClient | None
if offline:
self._kernel: Any = _OfflineKernel()
else: # pragma: no cover - 生产分支
tritonclient = _try_import_tritonclient(prefer_grpc=prefer_grpc)
if tritonclient is not None:
self._kernel = tritonclient.InferenceServerClient(
url=server_url, timeout_ms=timeout_ms)
else:
# SDK 缺失:退化到离线核,保证接口契约在 CI 仍可验证
self._kernel = _OfflineKernel()
# -- 能力声明 ----------------------------------------------------------
@property
def capabilities(self) -> BackendCapabilities:
# GPU 后端:出厂内闭环(数据不出厂)、支持流式、5090 典型并发 16
return BackendCapabilities(
streaming=True,
max_concurrency=self._max_concurrency,
on_premises=True,
modalities=("text",),
)
# -- 生命周期(PRD 5.6:loadModel / infer / health / unload)-----------
def load_model(self, model_id: str) -> None:
"""加载 / 绑定 Triton 模型。幂等:重复加载同一 model_id 不报错。"""
target = model_id or self.model_name
# Triton 服务端就绪(离线核需显式 start;真实 client 由部署保证)
if hasattr(self._kernel, "start_server"):
self._kernel.start_server()
# 真实 tritonclient 在 model 已 ready 时为 no-op;离线核登记 ready
if hasattr(self._kernel, "load"):
self._kernel.load(target)
self._loaded = True
self._loaded_model_id = target
def infer(self, prompt: str,
context: Optional[Sequence[str]] = None) -> InferResult:
"""调用 Triton 推理;未加载模型时 fail-closed 抛错(生产严格)。"""
if not self._loaded or self._loaded_model_id is None:
raise RuntimeError(
f"{self.name}: 未调用 load_model,禁止推理(fail-closed)")
started = time.perf_counter()
resp = self._kernel.infer(
self._loaded_model_id, prompt, context,
max_tokens=self.max_tokens)
latency_ms = round((time.perf_counter() - started) * 1000.0, 3)
return InferResult(
text=resp["text"],
backend_name=self.name,
model_id=self._loaded_model_id,
prompt_tokens=resp.get("prompt_tokens"),
completion_tokens=resp.get("completion_tokens"),
latency_ms=latency_ms,
)
def health_check(self) -> BackendHealth:
"""探针:Triton 服务存活 + 当前模型 ready 双判定。"""
try:
server_live = bool(self._kernel.is_server_live())
model_ready = (server_live and
bool(self._kernel.is_model_ready(self.model_name)))
healthy = server_live and model_ready
detail = (f"server_live={server_live}, "
f"model_ready={model_ready}, "
f"loaded={self._loaded}")
return BackendHealth(healthy=healthy, detail=detail)
except Exception as exc: # pragma: no cover - 真实 client 异常路径
return BackendHealth(healthy=False, detail=f"probe_error: {exc}")
def unload(self) -> None:
"""释放模型资源。幂等:未加载时调用不报错。"""
if self._loaded_model_id is not None and hasattr(self._kernel, "unload"):
self._kernel.unload(self._loaded_model_id)
self._loaded = False
self._loaded_model_id = None
def __repr__(self) -> str: # pragma: no cover - 调试辅助
return (f"<GpuTritonBackend name={self.name!r} "
f"server={self.server_url!r} loaded={self._loaded}>")