Questa pagina è stata tradotta dall'API Cloud Translation.

Configurare la scalabilità automatica per i carichi di lavoro LLM su GPU con Google Kubernetes Engine (GKE)

Autopilot Standard

Questa pagina mostra come configurare l'infrastruttura di scalabilità automatica utilizzando Horizontal Pod Autoscaler (HPA) di GKE per eseguire il deployment del modello linguistico di grandi dimensioni (LLM) Gemma con il framework di servizio Text Generation Interface (TGI) di Hugging Face.

Per scoprire di più sulla selezione delle metriche per la scalabilità automatica, consulta le best practice per la scalabilità automatica dei carichi di lavoro LLM con GPU su GKE.

Prima di iniziare

Prima di iniziare, assicurati di aver eseguito le seguenti operazioni:

Attiva l'API Google Kubernetes Engine.

Attiva l'API Google Kubernetes Engine

Se vuoi utilizzare Google Cloud CLI per questa attività, installa e poi inizializza gcloud CLI. Se hai già installato gcloud CLI, ottieni la versione più recente eseguendo gcloud components update.
Nota: per le installazioni esistenti di gcloud CLI, assicurati di impostare le proprietà compute/region e compute/zone. Se imposti le posizioni predefinite, puoi evitare errori in gcloud CLI come il seguente: One of [--zone, --region] must be supplied: Please specify location.

Acquisisci familiarità con il flusso di lavoro in Pubblicare modelli aperti di Gemma utilizzando GPU su GKE con TGI di Hugging Face.

Scalabilità automatica mediante le metriche del server

Puoi utilizzare le metriche sul rendimento specifiche per il carico di lavoro emesse dal server di inferenza TGI per indirizzare la scalabilità automatica dei pod. Per scoprire di più su queste metriche, consulta Metriche del server.

Per configurare la scalabilità automatica basata su metriche personalizzate con le metriche del server:

Esporta le metriche dal server TGI in Cloud Monitoring. Utilizzi Google Cloud Managed Service per Prometheus, che semplifica il deployment e la configurazione del raccoltore Prometheus. Google Cloud Managed Service per Prometheus è abilitato per impostazione predefinita nel tuo cluster GKE. Puoi anche abilitarlo manualmente.

Il seguente manifest di esempio mostra come configurare la definizione della risorsa PodMonitoring per indicare a Google Cloud Managed Service per Prometheus di estrarre le metriche dai pod a intervalli ricorrenti di 15 secondi:
```
apiVersion: monitoring.googleapis.com/v1
kind: PodMonitoring
metadata:
  name: gemma-pod-monitoring
spec:
  selector:
    matchLabels:
      app: gemma-server
  endpoints:
  - port: 8000
    interval: 15s
```
Installa l'adattatore Stackdriver delle metriche personalizzate. Questo adattatore rende visibile al controller HPA la metrica personalizzata che hai esportato in Monitoring. Per maggiori dettagli, consulta Scalabilità automatica dei pod orizzontali nella documentazione di Google Cloud Managed Service per Prometheus.

Il seguente comando di esempio mostra come installare l'adattatore:
```
kubectl apply -f https://raw.githubusercontent.com/GoogleCloudPlatform/k8s-stackdriver/master/custom-metrics-stackdriver-adapter/deploy/production/adapter_new_resource_model.yaml
```

Configura la risorsa HPA basata su metrica personalizzata personalizzate. Esegui il deployment di una risorsa HPA basata sulla metrica personalizzata che preferisci. Per maggiori dettagli, consulta Scalabilità automatica dei pod orizzontali nella documentazione di Google Cloud Managed Service per Prometheus.

Seleziona una di queste schede per visualizzare esempi di come configurare la risorsa HorizontalPodAutoscaler nel manifest:

Dimensioni coda

Questo esempio utilizza le metriche del server TGI tgi_queue_size, che rappresentano il numero di richieste in coda.

Per determinare la soglia di dimensione della coda corretta per l'HPA, consulta le best practice per l'autoscalabilità dei carichi di lavoro di inferenza LLM con GPU.

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: gemma-server
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: tgi-gemma-deployment
  minReplicas: 1
  maxReplicas: 5
  metrics:
  - type: Pods
    pods:
      metric:
        name: prometheus.googleapis.com|tgi_queue_size|gauge
      target:
        type: AverageValue
        averageValue:  $HPA_AVERAGEVALUE_TARGET

Dimensione del batch

Questo esempio utilizza la metrica del server TGI tgi_batch_size, che rappresenta il numero di richieste nel batch corrente.

Per determinare la soglia di dimensione del batch corretta per l'HPA, consulta le best practice per l'autoscalabilità dei carichi di lavoro di inferenza LLM con GPU.

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: gemma-server
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: tgi-gemma-deployment
  minReplicas: 1
  maxReplicas: 5
  metrics:
  - type: Pods
    pods:
      metric:
        name: prometheus.googleapis.com|tgi_batch_current_size|gauge
      target:
        type: AverageValue
        averageValue:  $HPA_AVERAGEVALUE_TARGET

Scalabilità automatica utilizzando le metriche GPU

Puoi utilizzare le metriche di utilizzo e prestazioni emesse dalla GPU per dirigere il ridimensionamento automatico dei tuoi pod. Per scoprire di più su queste metriche, consulta Metriche GPU.

Per configurare la scalabilità automatica basata su metriche personalizzate con le metriche GPU:

Esporta le metriche della GPU in Cloud Monitoring. Se nel tuo cluster GKE sono attivate le metriche di sistema, la metrica di utilizzo della GPU viene inviata automaticamente a Cloud Monitoring ogni 60 secondi tramite la metrica di sistema container/accelerator/duty_cycle.
- Per scoprire come attivare le metriche di sistema di GKE, consulta Configurare la raccolta delle metriche.
- Per configurare la raccolta gestita, consulta Iniziare a utilizzare la raccolta gestita nella documentazione di Google Cloud Managed Service per Prometheus.
- Per altre tecniche per monitorare le prestazioni del workload GPU in GKE, consulta la sezione Eseguire GPU nei pool di nodi GKE Standard.
Il seguente manifest di esempio mostra come configurare la definizione della risorsa PodMonitoring per importare le metriche dal carico di lavoro NVIDIA DCGM:
```
apiVersion: monitoring.googleapis.com/v1
kind: PodMonitoring
metadata:
  name: nvidia-dcgm-exporter-for-hpa
  namespace: gmp-public
  labels:
    app.kubernetes.io/name: nvidia-dcgm-exporter
    app.kubernetes.io/part-of: google-cloud-managed-prometheus
spec:
  selector:
    matchLabels:
      app.kubernetes.io/name: nvidia-dcgm-exporter
  endpoints:
    - port: metrics
      interval: 15s
      metricRelabeling:
        - action: keep
          sourceLabels: [__name__]
        - action: replace
          sourceLabels: [__name__]
          targetLabel: __name__
          regex: DCGM_FI_DEV_GPU_UTIL
          replacement: dcgm_fi_dev_gpu_util
```
Nel codice, assicurati di modificare il nome della metrica DCGM da utilizzare in HPA in minuscolo. Questo accade perché esiste un problema noto in cui l'HPA non funziona con i nomi delle metriche esterne in maiuscolo.
Installa l'adattatore Stackdriver delle metriche personalizzate. Questo adattatore rende visibile al controller HPA la metrica personalizzata che hai esportato in Monitoring. Per maggiori dettagli, consulta Scalabilità automatica dei pod orizzontali nella documentazione di Google Cloud Managed Service per Prometheus.

Il seguente comando di esempio mostra come eseguire questa installazione:
```
kubectl apply -f https://raw.githubusercontent.com/GoogleCloudPlatform/k8s-stackdriver/master/custom-metrics-stackdriver-adapter/deploy/production/adapter_new_resource_model.yaml
```

Configura la risorsa HPA basata su metrica personalizzata personalizzate. Esegui il deployment di una risorsa HPA in base alla metrica personalizzata che preferisci. Per maggiori dettagli, consulta Scalabilità automatica dei pod orizzontali nella documentazione di Google Cloud Managed Service per Prometheus.

Identifica un valore target medio per l'HPA in modo da attivare la scalabilità automatica. Puoi eseguire questo test in modo sperimentale, ad esempio generando un carico crescente sul server e osservando dove si verificano i picchi di utilizzo della GPU. Tieni presente la tolleranza HPA, che per impostazione predefinita ha un intervallo di assenza di azioni pari a 0,1 intorno al valore target per smorzare l'oscillazione.
Per i test, ti consigliamo di utilizzare lo strumento locust-load-inference. Puoi anche creare una dashboard personalizzata di Cloud Monitoring per visualizzare il comportamento della metrica.

Seleziona una di queste schede per vedere un esempio di come configurare la risorsa HorizontalPodAutoscaler nel manifest:

Ciclo di lavoro (sistema GKE)

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: gemma-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: tgi-gemma-deployment
  minReplicas: 1
  maxReplicas: 5
  metrics:
  - type: External
    external:
      metric:
        name: kubernetes.io|container|accelerator|duty_cycle
        selector:
          matchLabels:
            resource.labels.container_name: inference-server
            resource.labels.namespace_name: default
      target:
        type: AverageValue
        averageValue:  $HPA_AVERAGEVALUE_TARGET

Ciclo di lavoro (DCGM)

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: gemma-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: tgi-gemma-deployment
  minReplicas: 1
  maxReplicas: 5
  metrics:
  - type: External
    external:
      metric:
        name: prometheus.googleapis.com|dcgm_fi_dev_gpu_util|unknown
        selector:
          matchLabels:
            metric.labels.exported_container: inference-server
            metric.labels.exported_namespace: default
      target:
        type: AverageValue
        averageValue:  $HPA_AVERAGEVALUE_TARGET

Passaggi successivi

Scopri come ottimizzare la scalabilità automatica dei pod in base alle metriche di Cloud Monitoring.
Scopri di più sulla scalabilità automatica orizzontale dei pod nella documentazione di Kubernetes open source.