英伟达用分层KV缓存和Dynamo引擎扩展大语言模型内存

英伟达GPU在大语言模型内存缓存中以键值对形式存储向量——KV缓存——采用多层结构分层存储，最终延伸到网络连接的SSD存储。

向量是大语言模型处理项目（词语、图像、视频帧、声音）的多维特征编码值，用于语义搜索以响应输入请求。这些请求本身也会被向量化，大语言模型处理它们并在向量存储中查找元素来构建响应。这些元素是存储在GPU高带宽内存中的键值对，作为KV缓存。当特定响应会话所需的向量大于可用GPU内存时就会出现问题。此时现有向量会被驱逐，如果再次需要则重新计算——这需要时间。更好的做法是将它们移动到内存-存储层次结构的下层，以便在需要时读回GPU内存，而不是重新计算。这就是分层KV缓存的作用，英伟达的Dynamo软件实现了这一功能。

大语言模型处理响应时有两个阶段：预填充和解码。在预填充阶段，输入请求被分解为Token——基本词语或词语片段——然后被向量化并在内存中表示为KV对。这个过程计算密集但可以并行化。解码阶段是大语言模型构建输出的阶段，按顺序一次生成一个Token。每个新Token都基于之前生成的Token进行预测，结果存储在KV缓存中。第一个输出Token依赖于所有提示Token。第二个输出Token依赖于所有提示Token加上第一个输出Token。第三个输出Token依赖于所有提示Token加上第一个和第二个输出Token，以此类推。

当输出完成时，KV缓存内容仍在GPU内存中，可能需要保留以供用户后续问题或迭代推理大语言模型使用。但当新请求到来时，KV缓存内容会被驱逐。除非存储在其他地方，否则再次需要时必须重新计算。vLLM和LMCache等技术将GPU的KV缓存卸载到GPU服务器的CPU DRAM（二级内存）中，这可能比可用的GPU内存更大。

Dynamo是一个低延迟KV缓存卸载引擎，适用于多节点系统。它支持vLLM和其他推理引擎，如TRT-LLM和SGLang，以及大规模分布式推理。Dynamo在内存和存储层次结构中工作，从HBM，通过CPU的DRAM，到直连SSD和网络化外部存储。

它有四个特性：分解式服务、智能路由器、分布式KV缓存管理器和英伟达推理传输库（NIXL）。英伟达表示："分解预填充和解码显著提升性能，参与推理的GPU越多，效率提升越明显。"

Dynamo 1.0版本支持KV缓存卸载到系统CPU内存，后续版本将扩展支持SSD和网络对象存储。它是开源软件。

许多存储供应商支持英伟达的AI数据平台及其包含的英伟达AI企业软件和NIM微服务，Dynamo是其中一部分。我们了解到Cloudian、DDN、戴尔、日立万塔拉、HPE、IBM、NetApp、PEAK:AIO、Pure Storage、VAST Data和WEKA都将支持Dynamo，Cohesity也是如此。Hammerspace和Pliops也支持KV缓存分层。

例如：

Cloudian将支持KV缓存分层

DDN表示其Infinia对象存储系统"专为以亚毫秒延迟提供KV缓存服务而设计"。

VAST Data在其关于Dynamo支持的博客中说："Dynamo背后的分布式架构自然支持实现分解式预填充和解码。这作为另一种策略，通过加速计算来增强调度，提升推理吞吐量并最小化延迟。它通过分配一组GPU运行预填充，并让NIXL使用RDMA将数据移动到另一组执行解码过程的GPU来工作。"

WEKA在其博客中讨论了使用增强内存网格概念的分层KV缓存方法，指出"当在HBM之外存储缓存时，WEKA增强内存网格快速异步存储KV缓存以最大化效率。"作为性能示例，它说："基于我们实验室中配备72个NVMe驱动器的八主机WEKApod测试，单个八路H100（张量并行度为8）展示了每秒938,000个Token的检索率。"