Kubeflow KFServing多节点推理服务中Pipeline并行度的优化探讨

在分布式机器学习推理场景中，Kubeflow KFServing作为生产级模型服务框架，其多节点支持能力直接影响大模型部署的效率和资源利用率。近期社区针对Pipeline并行度（pipeline-parallelism）的配置约束和GPU资源分配逻辑提出了优化需求，这涉及到分布式推理的核心调度机制。

当前实现的问题分析

现有实现存在两个关键限制：

1. 并行度配置约束过严：系统强制要求Pipeline并行度必须≥2，这不符合某些特殊场景的需求。例如当用户希望将整个模型加载到单个节点时（pipeline-parallelism=1），系统会拒绝该配置。

2. GPU资源分配缺乏灵活性：控制器自动将头节点(head)和工作节点(worker)的GPU数量设置为与张量并行度(tensor-parallelism)相同，且不允许覆盖。例如配置为pipeline-parallelism=1且tensor-parallelism=16时，系统会强制每个节点分配16块GPU，而实际可能需要8块GPU的优化配置。

技术背景解析

在分布式模型推理中：

• Pipeline并行：将模型按层切分到不同设备，适合超大模型
• Tensor并行：将单个层的计算拆分到多个设备，适合大矩阵运算
• 多节点部署：通常指跨物理节点的分布式部署，涉及head-worker架构

当前实现假设pipeline-parallelism≥2才能启用多节点模式，这种设计忽略了单节点超大模型的部署场景。同时，GPU资源的硬编码分配方式缺乏对异构计算环境的适应能力。

解决方案设计

配置约束解除

需要修改KFServing的三大验证入口：

1. InferenceService验证webhook
2. ServingRuntime验证webhook
3. ClusterServingRuntime验证webhook

移除对pipeline-parallelism≥2的强制校验，允许值为1的合法配置，为单节点超大模型部署打开通路。

资源分配优化

控制器在合并InferenceService和ServingRuntime配置时，应遵循以下原则：

1. 当用户显式指定resources.gpus时，优先采用用户配置
2. 未指定时，再按当前逻辑自动计算
3. 对于pipeline-parallelism=1的特殊场景，支持非对称GPU分配

典型应用场景

以vLLM官方文档示例为例：

• 物理环境：2个节点，每节点8块GPU（共16块）
• 需求：部署tensor-parallelism=16的模型
• 当前行为：强制每个节点分配16块GPU（超过物理限制）
• 期望行为：允许配置为pipeline-parallelism=1，每个节点分配8块GPU

这种优化使得KFServing能够更好地适配真实硬件环境，提升大模型部署的灵活性。

架构影响评估

该改动属于正向优化：

• 向后兼容：不影响现有合法配置
• 扩展性提升：支持更丰富的部署拓扑
• 资源利用率：避免GPU资源的过度预留

社区后续需要同步更新文档，明确多节点场景下的资源配置策略，帮助用户合理规划分布式推理方案。对于混合并行（同时使用pipeline和tensor并行）的场景，建议提供最佳实践指南。