PaddleOCR-VL-WEB快速部署：预构建镜像使用指南
2026/1/19 3:16:00
SGLang + Kubernetes 实战：高效管理GPU资源
1. 背景与挑战
大语言模型（LLM）推理服务正迅速成为企业级应用的核心基础设施。在生产环境中，性能、稳定性与成本之间的平衡是决定系统成败的关键因素。随着模型规模的持续扩大，传统单体式推理架构已难以满足高并发、长上下文场景下的需求。
当前主流的推理架构演进方向包括 Prefill-Decode（PD）分离、Attention-FFN 解耦以及 KVCache 外置等。其中，KVCache 显存占用在长上下文或高并发请求下常超过 GPU 总显存的 70%，仅依赖 GPU HBM 和 CPU DRAM 已无法支撑大规模部署。将 KVCache 解耦并外置至专用缓存层，不仅能突破存储容量瓶颈，还能实现跨请求缓存共享、弹性伸缩和故障隔离。
SGLang 是一个专注于提升大模型推理效率的框架，其核心优势在于通过 RadixAttention 提高三到五倍的 KVCache 命中率，并支持结构化输出与 DSL 编程接口。然而，在 Kubernetes 环境中高效管理 SGLang 推理服务及其依赖组件（如分布式 KVCache 存储），仍面临诸多挑战：
- 部署复杂性：PD 分离架构涉及多个角色（Prefill、Decode、Router、KVCache 存储等），各角色之间存在强依赖关系，Kubernetes 原生 Workload 难以表达这种协同语义。
- 升级过程中的状态丢失：滚动更新时旧 Pod 终止导致内存型 KVCache 数据丢失，引发活跃会话需重新执行 Prefill 计算，造成 P99 延迟毛刺和吞吐断崖。
- 拓扑敏感性：推理性能对 NVLink、RDMA、NUMA 等硬件拓扑高度敏感，不当调度会导致显著性能劣化。
为解决上述问题，RoleBasedGroup（RBG）应运而生。作为面向 AI 推理的 Kubernetes 原生 API 抽象，RBG 将多角色协同编排作为一等公民，统一管理计算节点与缓存节点的生命周期，确保部署、升级、扩缩容过程中的一致性和高性能。
本文将结合SGLang-v0.5.6镜像，详细介绍如何基于 RBG 在 Kubernetes 上构建稳定高效的 PD 分离推理系统，并集成 Mooncake 实现分布式 KVCache 外置。
2. SGLang 核心技术解析
2.1 RadixAttention：提升 KVCache 命中率
SGLang 的核心优化之一是 RadixAttention，它使用基数树（Radix Tree）来组织和管理多个请求间的 KVCache 共享。在多轮对话场景中，用户的历史 prompt 往往具有高度重复性，RadixAttention 可让不同请求复用已计算的部分 KVCache，从而大幅减少冗余计算。
相比传统逐 token 比较的方式，RadixAttention 能够以 O(log n) 时间复杂度完成前缀匹配，实测缓存命中率可提升 3–5 倍，显著降低首 Token 返回时间（TTFT）。
2.2 结构化输出：约束解码能力
SGLang 支持通过正则表达式或 JSON Schema 对生成内容进行格式约束，直接生成符合预期结构的输出。这一特性对于需要调用外部 API 或进行数据提取的任务尤为关键，避免了后处理阶段的解析错误和重试开销。
例如，以下代码可强制模型返回合法 JSON：
import sglang as sgl @sgl.function def generate_json(question): return sgl.gen("answer", regex=r'\{.*\}', max_tokens=100)2.3 前后端分离设计：DSL + 运行时优化
SGLang 采用前后端分离架构：
- 前端 DSL：提供简洁的 Python 脚本语法，用于描述复杂的推理逻辑（如多跳问答、工具调用、条件分支等）；
- 后端运行时：专注于调度优化、批处理、注意力计算加速和多 GPU 协作。
这种设计使得开发者既能快速编写复杂逻辑，又能获得接近手写 C++ 的执行效率。
3. Mooncake：分布式 KVCache 存储引擎
3.1 架构组成
Mooncake 是 SGLang HiCache 的 L3 分布式缓存后端，专为大模型推理设计，主要由两个核心组件构成：
- Master Service：负责集群元数据管理、节点注册、负载均衡策略分发；
- Store Service：实际承载 KVCache 数据的分布式存储节点，支持 RDMA 加速、零拷贝传输和多副本容错。
3.2 关键特性
| 特性 | 说明 |
|---|---|
| RDMA 加速 | 利用 InfiniBand 或 RoCE 实现微秒级网络延迟，提升跨机缓存访问速度 |
| 零拷贝机制 | 减少 CPU 内存拷贝开销，提高 I/O 效率 |
| 智能预取 | 根据请求模式预测并提前加载可能用到的 KVCache |
| GPU 直传 | 支持从 Store 节点直接写入 GPU 显存，绕过主机内存 |
3.3 启动命令示例
# 启动 Master mooncake_master --http_metadata_server_port=9080 # 启动 Store 服务 python -m mooncake.mooncake_store_service --config=config.json # 启动 SGLang 并启用 Mooncake 后端 python -m sglang.launch_server \ --enable-hierarchical-cache \ --hicache-storage-backend mooncake \ --model-path /models/Qwen3-235B4. RoleBasedGroup（RBG）：面向推理的编排引擎
4.1 设计理念
RBG 将一次完整的推理服务视为一个“角色有机体”，每个角色（Role）代表服务中的一个功能单元（如 Prefill、Decode、Router、Mooncake Store 等）。RBG 提供 SCOPE 能力框架，涵盖稳定性、协同、编排、性能和可扩展性五大维度。
4.2 SCOPE 核心能力详解
4.2.1 Stable：拓扑感知的确定性运维
RBG 为每个 Pod 注入全局唯一的 RoleID，并遵循“最小替换域”原则，在升级或重建时尽量保持在同一 NUMA 节点或 NVLink 域内，避免因拓扑漂移引起的性能抖动。
roles: - name: prefill replicas: 3 rolloutStrategy: rollingUpdate: type: InplaceIfPossible maxUnavailable: 14.2.2 Coordination：跨角色协同策略
RBG 支持声明式定义角色间协同关系，包括：
- 成组部署（如 Prefill 与 Decode 按比例配对）
- 联合升级（保证协议兼容性）
- 故障联动（某角色异常时触发关联动作）
coordination: - name: pd-co-update type: RollingUpdate roles: - prefill - decode strategy: maxUnavailable: 5% maxSkew: 1%4.2.3 Orchestration：内置服务发现
RBG 在 Pod 启动时自动注入完整拓扑信息（IP、端口、角色属性等）到环境变量或配置文件中，推理引擎可直接读取本地配置完成初始化，无需依赖 Consul、etcd 等外部服务发现系统。
4.2.4 Performance：拓扑感知调度
RBG 支持多级亲和性约束，优先将相关角色调度至同一物理机或 RDMA 网络域内，保障低延迟通信。同时支持同角色实例的均衡分布，防止单点过载。
4.2.5 Extensible：声明式抽象
RBG 使用 YAML 定义角色模板和关系，新架构可通过插件方式快速接入，无需修改核心代码。例如新增路由层或缓存层级，只需扩展配置即可。
5. 基于 RBG 部署 PD 分离 + Mooncake 架构
5.1 系统架构概览
整个系统包含以下核心角色：
| 角色 | 职责 |
|---|---|
| Router | 请求入口，智能路由至合适的 Prefill/Decode 节点 |
| Prefill Backend | 执行 Prompt 编码，生成初始 KVCache |
| Decode Backend | 自回归生成 token，依赖 KVCache 进行高效推理 |
| Mooncake Master | 管理缓存集群元数据 |
| Mooncake Store | 分布式 KVCache 存储节点 |
所有角色通过 RBG 统一编排，形成一个协同工作的有机整体。
5.2 部署步骤
步骤 1：安装 RBG 控制器
kubectl apply -f https://raw.githubusercontent.com/sgl-project/rbg/main/config/crd/bases/workloads.x-k8s.io_rolebasedgroups.yaml kubectl apply -f https://raw.githubusercontent.com/sgl-project/rbg/main/config/default/步骤 2：准备镜像
使用官方镜像lmsysorg/sglang:v0.5.6，该镜像已内置 Mooncake transfer-engine >= 0.3.7。
若需定制，可参考 Dockerfile.mooncake 构建。
步骤 3：部署服务
应用示例 YAML 文件：
kubectl apply -f https://raw.githubusercontent.com/sgl-project/rbg/main/examples/mooncake/pd-disaggregated-with-mooncake.yaml步骤 4：验证部署结果
kubectl get pods -l rolebasedgroup.workloads.x-k8s.io/name=sglang-pd-with-mooncake-demo预期输出：
NAME READY STATUS RESTARTS AGE sglang-pd-with-mooncake-demo-router-0 1/1 Running 0 2m sglang-pd-with-mooncake-demo-prefill-0 1/1 Running 0 2m sglang-pd-with-mooncake-demo-decode-0 1/1 Running 0 2m sglang-pd-with-mooncake-demo-mooncake-master-0 1/1 Running 0 2m sglang-pd-with-mooncake-demo-mooncake-store-bh9xs 1/1 Running 0 2m ...步骤 5：检查网络拓扑一致性
kubectl get pods sglang-pd-with-mooncake-demo-mooncake-store-dsrv4 -o jsonpath='{.spec.nodeName}' kubectl get pods sglang-pd-with-mooncake-demo-mooncake-store-dsrv4 -o jsonpath='{.status.podIP}'确保升级前后节点和 IP 不变，保障缓存本地持久化的有效性。
6. 性能测试与效果分析
6.1 测试环境
- 模型：Qwen3-235B-A22B
- 输入长度：2048 tokens
- 客户端数：150
- 请求速率：16 req/s
- 多轮对话轮次：10
6.2 测试结果对比
| 配置 | 缓存命中率 | 平均 TTFT (s) | P90 TTFT (s) | InputToken 吞吐 (token/s) |
|---|---|---|---|---|
| Baseline（仅 GPU） | 12.3% | 5.91 | 12.16 | 6,576.85 |
| L2 DRAM HiCache | 40.62% | 3.77 (-36.2%) | 10.88 | 10,054.21 (+52.89%) |
| L3 Mooncake + L2 | 78.4% | 2.58 (-56.3%) | 6.97 (-42.7%) | 15,022.80 (+49.41%) |
结果显示，引入 Mooncake 作为 L3 缓存后，TTFT 下降超过一半，InputToken 吞吐提升近 2.3 倍，充分验证了分级缓存架构的有效性。
6.3 测试命令
python3 benchmark/hicache/bench_multiturn.py \ --model-path /models/Qwen3-235B/Qwen3-235B-A22B \ --dataset-path ShareGPT_V3_unfiltered_cleaned_split.json \ --disable-random-sample \ --output-length 1 \ --request-length 2048 \ --num-clients 150 \ --num-rounds 10 \ --max-parallel 4 \ --request-rate 16 \ --ready-queue-policy random \ --disable-auto-run \ --enable-round-barrier7. 原地升级实践：实现无感版本迭代
7.1 问题背景
Mooncake Store 中的 transfer-engine 必须与 SGLang Serving Backend 保持版本一致，否则会导致 KVCache 传输协议不兼容。传统滚动升级会终止旧 Pod，导致内存中缓存数据丢失，进而迫使所有活跃会话重新执行 Prefill，引发严重性能波动。
7.2 解决方案
结合两项关键技术实现平滑升级：
- Mooncake 缓存本地持久化：通过 PR#1031 支持将 KVCache 元数据与热数据快照保存至共享内存或本地 NVMe，进程重启后可快速恢复；
- RBG 原地升级（In-place Update）：不重建 Pod，仅替换容器镜像并复用原有存储卷，保留缓存状态。
7.3 升级操作
将 SGLang 镜像从 v0.5.5 升级至 v0.5.6：
kubectl patch rolebasedgroup sglang-pd-with-mooncake-demo \ --type='json' \ -p='[{"op": "replace", "path": "/spec/roles/1/template/spec/containers/0/image", "value": "lmsysorg/sglang:v0.5.6"}]'7.4 验证升级结果
kubectl get pods -l rolebasedgroup.workloads.x-k8s.io/name=sglang-pd-with-mooncake-demo观察到 Mooncake Store Pod 仅发生一次容器重启（RESTARTS=1），且节点和 IP 未发生变化，表明原地升级成功。
进一步查看事件日志确认原因：
kubectl describe pod sglang-pd-with-mooncake-demo-mooncake-store-dsrv4输出显示：
Normal Killing 21m kubelet Container store definition changed, will be restarted这证明是由于镜像变更触发的原地重启，而非 Pod 重建。
8. 总结
8.1 核心价值总结
RBG 与 Mooncake 的协同设计为大模型推理带来了三大突破：
- 稳定性增强：通过原地升级与缓存持久化，实现“升级无感、服务不抖”，保障生产环境 SLA；
- 性能跃升：三级缓存体系使 KVCache 命中率提升至 78.4%，TTFT 降低 56.3%，P90 延迟改善 42.7%；
- 成本优化：GPU 利用率从不足 30% 提升至可持续弹性水平，支持按流量动态伸缩。
8.2 最佳实践建议
- 始终启用分级缓存：在长上下文、多轮对话、RAG 等场景中，L2/L3 缓存带来的性能收益远超运维复杂度；
- 使用 RBG 管理多角色服务：避免手动维护多个 Deployment，利用 Coordination 机制保障角色间一致性；
- 开启原地升级：对于有状态组件（如 Mooncake Store），务必配置
InplaceIfPossible策略，防止缓存丢失； - 监控缓存命中率：将其作为核心 SLO 指标之一，及时发现缓存失效或配置异常。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。