AI推理框架插件

插件简介

AI推理框架插件是一款面向AI模型全生命周期管理的云原生插件，支持用户通过声明式API自定义注册、部署及调度AI大模型，并高效执行推理任务。

前提条件

• 已创建v1.28及以上版本的CCE Standard/Turbo集群，且集群内已有Snt9B类型的NPU节点。
• 已安装LeaderWorkerSet插件，具体操作请参见LeaderWorkerSet插件。
• 已安装CCE AI套件（Ascend NPU）插件和Volcano插件，具体操作请参见CCE AI套件（NVIDIA GPU）和Volcano调度器。
• 已购买DDS服务，或已在集群中自行部署MongoDB数据库，用于存储推理实例产生的相关数据，具体操作请参见购买DDS实例和通过Helm Chart部署MongoDB数据库。
• 在模型部署中，需要提前购买OBS桶，具体操作请参见通过控制台快速使用OBS。

约束与限制

• 该特性当前正处于上线阶段，已发布区域请以控制台实际为准。
• 该插件处于公测阶段，您可体验最新插件特性，但需要注意该版本的稳定性未得到完全的验证，不适用于CCE服务SLA。

安装插件

1. 登录CCE控制台，单击集群名称进入集群。
2. 在左侧导航栏中选择“插件中心”，在右侧找到AI推理框架插件，单击“安装”。
3. 在安装插件页面，进行相关配置。

   表1 插件规格配置

   参数	参数说明
   选择版本	表示插件版本，请按需选择。
   插件规格	当前仅支持“默认”规格。
   mongodbUrl	表示DDS服务访问地址或集群中MongoDB数据库服务访问地址，请参见前提条件。
   enableLocalStorage	表示是否使用本地数据库。 true：表示使用集群中的MongoDB数据库。 false：表示使用DDS服务。

4. 配置完成后，请在右下角单击“安装”。AI推理框架插件状态变为“运行中”时，则说明安装成功。

组件说明

模型模板

AI推理框架插件已内置针对主流AI模型的预定义部署模板，用户无需手动编写复杂配置文件，可通过声明式API直接调用模板并快速部署模型。模板中已适配常见模型的参数、资源需求及硬件配置，能够有效降低部署的门槛。

该插件已提供以下主流模型的预置模板，您可以参考模型部署示例，部署并使用相关模型。

AI推理框架插件内置模型的预置模板示例（AI推理框架插件已提供，用户无需操作）：

apiVersion: leaderworkerset.x-k8s.io/v1
kind: LeaderWorkerSet
metadata:
  namespace: ${namespace}
  name: ${name}
  labels:
    xds/version: ${helm_revision}
spec:
  replicas: ${replicas}
  leaderWorkerTemplate:
    leaderTemplate:
      metadata:
        labels:
          xds/instanceType: head
          xds/teGroupId: ${te_group_id}
          xds/modelId: ${model_id}
          xds/teGroupType: ${te_group_type}
      spec:
        containers:
          - name: ascend-vllm-arm64
            image: ${leader_image}
            env:
              - name: HF_HUB_OFFLINE
                value: "1"
              - name: INFER_MODE
                value: DEFAULT
              - name: USE_MASKFREE_ATTN
                value: "1"
              - name: MASKFREE_ATTN_THRESHOLD
                value: "16384"
            args:
              [
                "--model",
                "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B",
                "--max-num-seqs",
                "256",
                "--max-model-len",
                "2048",
                "--max-num-batched-tokens",
                "4096",
                "--block-size",
                "128",
                "--gpu-memory-utilization",
                "0.9",
                "--trust-remote-code",
                "--served-model-name",
                "${model_name}"
              ]
            imagePullPolicy: IfNotPresent
            resources:
              limits:
                cpu: "8"
                memory: 72Gi
                huawei.com/ascend-1980: "1"
              requests:
                cpu: "1"
                memory: 64Gi
                huawei.com/ascend-1980: "1"
            ports:
              - containerPort: 8000
            volumeMounts:
              - name: models
                mountPath: /workspace/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
                subPath: ${model_path}
                readOnly: true
            readinessProbe:
              initialDelaySeconds: 5
              periodSeconds: 5
              failureThreshold: 3
              httpGet:
                path: /health
                port: 8000
            livenessProbe:
              initialDelaySeconds: 180
              periodSeconds: 5
              failureThreshold: 3
              httpGet:
                path: /health
                port: 8000
        volumes:
          - name: models
            persistentVolumeClaim:
              claimName: ${pvc_name}
    size: 1
    workerTemplate:
      spec:
        containers: []

模型部署

AI推理框架插件提供一套完整的AI模型部署方案，支持用户通过声明式API快速完成模型的注册、资源配置及部署。本章以部署“DeepSeek-R1-Distill-Qwen-7B”模型为例，介绍如何使用AI推理框架插件部署AI模型，涵盖从准备工作到部署验证的完整流程。

1. 登录集群对应的NPU节点，并通过kubectl连接集群。
2. 执行以下步骤，创建PVC，并将模型权重文件存储至PVC中，本步骤以对象存储PVC形式为例。在后续步骤中，模型权重将通过PVC挂载至对应的推理实例中，以提高推理性能。
   

   本步骤支持使用两种PVC，具体对比如下：

   • 对象存储PVC ：用于长期存储模型权重文件，成本较低但访问速度较慢。使用“对象存储”类型PVC（如OBS等）时，建议额外挂载“极速文件存储”类型PVC作为缓存，以加速模型加载速度。
   • 极速文件存储PVC ：用于缓存模型权重文件，提供低延迟访问，缩短模型加载时间。
   1. 创建对象存储类型的PVC，具体请参考通过静态存储卷使用已有对象存储。
   2. 登录OBS控制台，在左侧导航栏单击“桶列表”，右侧单击对应的桶名称，进入该桶的“对象”页面。在当前页面，右侧单击“上传对象”，将模型权重文件上传至对应路径。上传操作将产生请求费用，上传成功后将产生存储费用。
      图1 上传模型权重文件
      

3. 执行以下命令，通过API的方式注册模型元数据，从而定义模型的基本信息、资源需求、存储配置及服务等级目标（SLO）。注册成功后，AI推理框架插件将在对应集群中创建AI模型实例及Service。

   curl --location 'https://{endpoint}/v1/models' \
   --header 'Content-Type: application/json' \
   --data '{
       "name": "DeepSeek-R1-Distill-Qwen-7B",      # 表示创建的模型示例名称，支持自定义
       "type": "DeepSeek-R1-Distill-Qwen-7B",  
       "resource_type": "huawei.com/ascend-1980",  # 硬件类型
       "version": "1.0.0",
       "max_instance": 4,  # 最大副本数
       "min_instance": 2,  # 最小副本数
       "pvc": {
           "name": "release-models",
           "path": "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B"  # 模型权重文件在PVC中的路径
       },
       "slo": {
           "target_time_to_first_token_p95": 1000,  # 首次响应时间（毫秒）
           "target_time_per_output_token_p95": 20  # 每token处理时间（毫秒）
       },
       "description": "This is model description."
   }'

   表4 参数说明

   参数	示例	说明
   endpoint	frontend-service.kube-system.cluster.local	请填入frontend-service的服务的访问地址，可通过服务名或ClusterIP进行访问。
   resource_type	"huawei.com/ascend-1980"	表示资源类型，仅支持huawei.com/ascend-1980。
   max_instance	4	表示模型实例的弹性伸缩的最大副本数。
   min_instance	2	表示模型实例的弹性伸缩的最小副本数。
   pvc	"name": "release-models", "path": "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B"	请填写2中PVC的名称以及模型权重文件在PVC中的存储路径。
   slo	"target_time_to_first_token_p95": 1000 "target_time_per_output_token_p95": 20	用于设置服务性能目标，如P95分位的首次响应时间（target_time_to_first_token_p95）和每token处理时间（target_time_per_output_token_p95）。 当超过设置的性能目标后，系统将自动进行推理实例的弹性伸缩。关于推理实例弹性伸缩的具体介绍，请参见模型实例弹性伸缩。

4. 执行以下命令，通过API获取已注册模型实例的状态，包括副本数量、健康状态等。

   curl --location 'https://{endpoint}/v1/models'  # 查询所有模型状态
   curl --location 'http://{endpoint}/v1/models/d97051120764490daf846053e16d4f25'  # 查询指定模型状态

   回显结果如下，status为ACTIVE，则说明模型处于正常运行状态。

   {"model":{"id":"d97051120764490daf846053e16d4f25","name":"DeepSeek-R1-Distill-Qwen-7B","type":"DeepSeek-R1-Distill-Qwen-7B","resource_type":"huawei.com/ascend-1980","max_instance":2,"min_instance":1,"pvc":{"name":"release-models","path":"deepseek-ai/DeepSeek-R1-Distill-Qwen-7B"},"slo":{"target_time_to_first_token_p95":1000,"target_time_per_output_token_p95":20},"description":"This is model description.","status":"ACTIVE","status_code":"","status_msg":"","created_at":"2025-04-29T17:10:08.673Z","updated_at":"2025-04-29T18:31:07.164Z"}}

5. 执行以下命令，向已注册的模型实例发送推理请求。
   

   请求推理前，需等待模型状态已就绪，否则请求可能失败或返回错误。

   curl --location 'https://{endpoint}/v1/chat/completions' \
   --header 'Content-Type: application/json' \
   --data '{
       "model": "DeepSeek-R1",
       "messages": [
           {
               "role": "user",
               "content": "strawberry中有几个字母r"
           }
       ],
       "stream": true
   }'

   表5 参数说明

   参数	示例	说明
   messages	"role": "user" "content": "strawberry中有几个字母r"	提供角色、问题等信息，获取对应结果。
   stream	true	用于指定对话模式，具体取值如下： true：表示启用流式输出模式，实时返回生成的token。 false：表示关闭流式输出模式，将全部token生成后一次性返回。

   回显结果如下：

   

6. 如果当前模型实例已无法满足需要，请通过PUT请求更新已注册模型实例的配置。例如，将模型实例弹性伸缩的最大副本数由4调整为6。

   curl --location --request PUT 'https://{endpoint}/v1/models/d97051120764490daf846053e16d4f25' \
   --header 'Content-Type: application/json' \
   --data '{
       "max_instance": 6  # 将最大副本数从4调整为6
   }'

   回显结果如下：

   {"model":{"id":"d97051120764490daf846053e16d4f25","name":"DeepSeek-R1-Distill-Qwen-7B","type":"DeepSeek-R1-Distill-Qwen-7B","resource_type":"huawei.com/ascend-1980","max_instance":6,"min_instance":1,"pvc":{"name":"release-models","path":"deepseek-ai/DeepSeek-R1-Distill-Qwen-7B"},"slo":{"target_time_to_first_token_p95":1000,"target_time_per_output_token_p95":20},"description":"This is model description.","status":"ACTIVE","status_code":"","status_msg":"","created_at":"2025-04-29T17:10:08.673Z","updated_at":"2025-04-29T18:31:07.164Z"}}

7. 当模型实例使用完成时，您可以通过DELETE请求删除该实例，释放相关资源。删除操作不可逆，需谨慎操作，建议先停止服务再删除。

   curl --location --request DELETE 'https://{endpoint}/v1/models/a3c390d311f0455f8e0bc18074404a44'

   如无报错信息，则表示正常删除。

通过以上步骤，用户可完成模型从注册到删除的全生命周期管理。

插件特性

AI推理框架插件支持模型实例自动弹性伸缩和KV Cache能力，具体介绍如下：

版本记录