ktransformers项目在多CPU环境下的性能优化实践

引言

在大型语言模型推理场景中，CPU计算资源的高效利用对于提升模型推理速度至关重要。本文将深入分析在ktranformers项目中遇到的NUMA架构下多CPU性能问题，并提供完整的解决方案。

问题现象

在配备双路Intel Xeon Gold 6462C处理器的服务器上运行DeepSeek-R1模型时，观察到以下异常现象：

1. 单CPU模式下(65线程)：

   • 推理速度：5.24 tokens/s
   • 内存占用：390GB
   • CPU利用率：6554%

2. 双CPU模式下(126线程)：

   • 推理速度骤降至0.51 tokens/s
   • 内存占用飙升至904GB
   • CPU利用率：10554%

技术背景

NUMA(Non-Uniform Memory Access)架构是现代多处理器系统的常见设计，其特点是：

• 每个CPU插槽有本地内存，访问延迟低
• 跨插槽访问远端内存延迟较高
• 需要特殊的内存分配策略才能发挥最佳性能

问题根源分析

1. NUMA感知缺失：默认编译的ktranformers未启用NUMA支持，导致内存分配策略不当
2. 跨插槽通信开销：线程在多个NUMA节点间频繁通信导致性能下降
3. 内存带宽瓶颈：非NUMA优化的内存访问模式导致带宽利用率低下

解决方案

1. 重新编译启用NUMA支持

export USE_NUMA=1
make clean && make

2. 合理设置线程数

• 使用单CPU的核心数(如65线程)而非总线程数
• 避免跨NUMA节点的线程调度

3. 运行参数优化

python local_chat.py \
  --model_path deepseek-ai/DeepSeek-R1 \
  --gguf_path /path/to/gguf \
  --cpu_infer 65 \  # 设置为单CPU核心数
  --max_new_tokens 1000

优化效果

实施上述优化后，性能得到显著提升：

• 推理速度：从0.51 tokens/s提升至13.75 tokens/s(27倍提升)
• 内存占用：984GB(符合NUMA架构预期)
• CPU利用率：6554%(单NUMA节点满载)
• GPU利用率：42%(显示负载更均衡)

最佳实践建议

1. 硬件资源监控：通过numastat等工具监控NUMA内存分配
2. 线程绑定：考虑使用numactl进行线程绑定
3. 性能分析：使用perf工具分析热点函数
4. 模型量化：Q4_K_M量化级别在精度和性能间取得良好平衡

结论

在NUMA架构服务器上部署ktranformers时，必须特别注意编译时的NUMA支持选项和运行时的线程分配策略。通过正确的配置，可以充分发挥多CPU系统的性能潜力，避免因架构特性导致的性能下降问题。本案例中的优化方法同样适用于其他基于GGUF格式的大型语言模型推理场景。