推理性能测试

benchmark方法介绍

性能benchmark包括两部分。

• 静态性能测试：评估在固定输入、固定输出和固定并发下，模型的吞吐与首token延迟。该方式实现简单，能比较清楚的看出模型的性能和输入输出长度、以及并发的关系。
• 动态性能测试：评估在请求并发在一定范围内波动，且输入输出长度也在一定范围内变化时，模型的延迟和吞吐。该场景能模拟实际业务下动态的发送不同长度请求，能评估推理框架在实际业务中能支持的并发数。

性能benchmark验证使用到的脚本存放在代码包AscendCloud-LLM-xxx.zip的llm_tools/llm_evaluation目录下。

代码目录如下:

benchmark_tools 
├── benchmark_parallel.py  # 评测静态性能脚本
├── benchmark_serving.py  # 评测动态性能脚本
├── generate_dataset.py   # 生成自定义数据集的脚本
├── benchmark_utils.py   # 工具函数集
├── benchmark.py         # 执行静态、动态性能评测脚本
├── requirements.txt       # 第三方依赖

静态benchmark验证

本章节介绍如何进行静态benchmark验证。

1. 已经上传benchmark验证脚本到推理容器中。如果在Step3 制作推理镜像步骤中已经上传过AscendCloud-LLM-x.x.x.zip并解压，无需重复执行。
2. 执行如下命令进入容器。

   kubectl exec -it {pod_name} bash

   ${pod_name}：pod名，例如图1${pod_name}为yourapp-87d9b5b46-c46bk。

3. 进入benchmark_tools目录下，切换conda环境并安装依赖。

   cd /home/ma-user/AscendCloud/AscendCloud-LLM/llm_tools/llm_evaluation/benchmark_tools
   conda activate python-3.9.10
   pip install -r requirements.txt

4. 运行静态benchmark验证脚本benchmark_parallel.py，具体操作命令如下，可以根据参数说明修改参数。

   python benchmark_parallel.py --backend openai --host 127.0.0.1 --port 8080 --tokenizer /path/to/tokenizer  --epochs 5 \
   --parallel-num 1 4 8 16 32  --prompt-tokens 1024 2048 --output-tokens 128 256 --num-scheduler-steps 8 --benchmark-csv benchmark_parallel.csv

   参数说明

   • --backend：服务类型，支持tgi、vllm、mindspore、openai等。本文档使用的推理接口是vllm。
   • --host：服务部署的IP。
   • --port：推理服务端口8080。
   • --tokenizer：tokenizer路径，HuggingFace的权重路径。
   • --epochs：测试轮数，默认取值为5
   • --parallel-num：每轮并发数，支持多个，如 1 4 8 16 32。
   • --prompt-tokens：输入长度，支持多个，如 128 128 2048 2048，数量需和--output-tokens的数量对应。
   • --output-tokens：输出长度，支持多个，如 128 2048 128 2048，数量需和--prompt-tokens的数量对应。
   • --benchmark-csv：结果保存文件，如benchmark_parallel.csv。
   • --served-model-name： 选择性添加，在接口中使用的模型名；如果没有配置，则默认为tokenizer。
   • --num-scheduler-steps: 需和服务启动时配置的num-scheduler-steps一致。默认为1
   • --enable-prefix-caching：服务端是否启用enable-prefix-caching特性，默认为false。
   • --prefix-caching-num：构造的prompt的公共前缀的序列长度，prefix-caching-num值需小于prompt-tokens。
   • --use-spec-decode：是否使用投机推理进行输出统计，不输入默认为false。当使用投机推理时必须开启，否则会导致输出token数量统计不正确。注：由于投机推理的性能测试使用随机输入意义不大，建议开启--dataset-type、--dataset-path，并选择性开启--use-real-dataset-output-tokens使用真实数据集进行测试。
   • --dataset-type：当使用投机推理时开启，benchmark使用的数据类型，当前支持random、sharegpt、human-eval三种输入。random表示构造随机token的数据集进行测试；sharegpt表示使用sharegpt数据集进行测试；human-eval数据集表示使用human-eval数据集进行测试。注意：当输入为sharegpt或human-eval时，测试数据的输入长度为数据集的真实长度，--prompt-tokens的值会被忽略。
   • --dataset-path：数据集的路径，仅当--dataset-type为sharegpt或者human-eval的时候生效。
   • --use-real-dataset-output-tokens：当使用投机推理时开启，设置输出长度是否使用数据集的真实长度，不输入默认为false。当使用该选项时，测试数据的输出长度为数据集的真实长度，--output-tokens的值会被忽略。
   • --num-speculative-tokens：仅当开启--use-spec-decode时生效，需和服务启动时配置的--num-speculative-tokens一致。默认为-1。当该值大于等于0时，会基于该值计算投机推理的接受率指标。
5. 脚本运行完成后，测试结果保存在benchmark_parallel.csv中，示例如下图所示。
   图1 静态benchmark测试结果（示意图）
   

动态benchmark

本章节介绍如何进行动态benchmark验证。

1. 执行如下命令进入容器。

   kubectl exec -it {pod_name} bash

   ${pod_name}：pod名，例如图1${pod_name}为yourapp-87d9b5b46-c46bk。

2. 进入benchmark_tools目录下，切换conda环境。

   cd /home/ma-user/AscendCloud/AscendCloud-LLM/llm_tools/llm_evaluation/benchmark_tools
   conda activate python-3.9.10

3. 获取数据集。动态benchmark需要使用数据集进行测试，可以使用公开数据集，例如Alpaca、ShareGPT。也可以根据业务实际情况，使用generate_datasets.py脚本生成和业务数据分布接近的数据集。

   方法一：使用公开数据集

   • ShareGPT下载地址: https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json
   • Alpaca下载地址: https://github.com/tatsu-lab/stanford_alpaca/blob/main/alpaca_data.json

   方法二：使用generate_dataset.py脚本生成数据集方法：

   generate_dataset.py脚本通过指定输入输出长度的均值和标准差，生成一定数量的正态分布的数据。具体操作命令如下，可以根据参数说明修改参数。

   python generate_dataset.py --dataset custom_datasets.json --tokenizer /path/to/tokenizer \
   --min-input 100 --max-input 3600 --avg-input 1800 --std-input 500 \
   --min-output 40 --max-output 256 --avg-output 160 --std-output 30 --num-requests 1000

   generate_dataset.py脚本执行参数说明如下：

   • --dataset：数据集保存路径，如custom_datasets.json。
   • --tokenizer：tokenizer路径，可以是HuggingFace的权重路径。backend取值是openai时，tokenizer路径需要和推理服务启动时--model路径保持一致，比如--model /data/nfs/model/llama_7b， --tokenizer也需要为/data/nfs/model/llama_7b，两者要完全一致。
   • --min-input：输入tokens最小长度，可以根据实际需求设置。
   • --max-input：输入tokens最大长度，可以根据实际需求设置。
   • --avg-input：输入tokens长度平均值，可以根据实际需求设置。
   • --std-input：输入tokens长度方差，可以根据实际需求设置。
   • --min-output：最小输出tokens长度，可以根据实际需求设置。
   • --max-output：最大输出tokens长度，可以根据实际需求设置。
   • --avg-output：输出tokens长度平均值，可以根据实际需求设置。
   • --std-output：输出tokens长度标准差，可以根据实际需求设置。
   • --num-requests：输出数据集的数量，可以根据实际需求设置。
4. 执行脚本benchmark_serving.py测试动态benchmark。具体操作命令如下，可以根据参数说明修改参数。

   python benchmark_serving.py --backend openai --host 127.0.0.1 --port 8080 --dataset custom_datasets.json --dataset-type custom \
   --tokenizer /path/to/tokenizer --request-rate 0.01 1 2 4 8 10 20 --num-prompts 10 1000 1000 1000 1000 1000 1000 \
   --max-tokens 4096 --max-prompt-tokens 3768 --num-scheduler-steps 8 --benchmark-csv benchmark_serving.csv

   • --backend：服务类型，如tgi，vllm，mindspore、openai。
   • --host ${docker_ip}：服务部署的IP地址，${docker_ip}替换为宿主机实际的IP地址。
   • --port：推理服务端口。
   • --dataset：数据集路径。
   • --dataset-type：支持三种 "alpaca"，"sharegpt"，"custom"。custom为自定义数据集。
   • --tokenizer：tokenizer路径，可以是HuggingFace的权重路径，backend取值是openai时，tokenizer路径需要和推理服务启动时--model路径保持一致，比如--model /data/nfs/model/llama_7b， --tokenizer也需要为/data/nfs/model/llama_7b，两者要完全一致。
   • --request-rate：请求频率，支持多个，如 0.1 1 2。实际测试时，会根据request-rate为均值的指数分布来发送请求以模拟真实业务场景。
   • --num-prompts：某个频率下请求数，支持多个，如 10 100 100，数量需和--request-rate的数量对应。
   • --max-tokens：输入+输出限制的最大长度，模型启动参数--max-input-length值需要大于该值。
   • --max-prompt-tokens：输入限制的最大长度，推理时最大输入tokens数量，模型启动参数--max-total-tokens值需要大于该值，tokenizer建议带tokenizer.json的FastTokenizer。
   • --benchmark-csv：结果保存路径，如benchmark_serving.csv。
   • --served-model-name： 选择性添加， 选择性添加，在接口中使用的模型名；如果没有配置，则默认为tokenizer。
   • --num-scheduler-steps: 需和服务启动时配置的num-scheduler-steps一致。默认为1
5. 脚本运行完后，测试结果保存在benchmark_serving.csv中，示例如下图所示。
   图2 动态benchmark测试结果（示意图）