1. 环境准备与基础配置
1.1 系统要求
依赖组件：
# 基础工具安装
sudo apt-get install -y lsof git-lfs nvidia-cuda-toolkit
1.2 虚拟环境配置
使用conda创建隔离环境，避免依赖冲突：
conda create -n vllm python=3.10 -y
conda activate vllm
# 配置conda源加速
conda config --add channels conda-forge
conda config --set channel_priority strict
conda install sqlite=3.42.0
1.3 vLLM与依赖安装
# 安装xFormers加速组件
pip install xformers-0.0.27.post2-cp310-cp310-manylinux2014_x86_64.whl
# 通过清华源安装vLLM
pip install vllm==0.5.4 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装Ray分布式框架
conda install -c conda-forge ray-default
2. 分布式集群搭建
2.1 Ray集群配置
主节点启动（假设IP为192.168.1.1）：
ray start --head --port=6379 \--node-ip-address=192.168.1.1 \--dashboard-host=0.0.0.0 \--num-gpus=4 \--object-store-memory=4294967296
工作节点加入：
ray start --address=192.168.1.1:6379 \--node-ip-address=192.168.1.2 \--num-gpus=4
关键参数说明：
–num-gpus：必须与物理GPU数量一致
–object-store-memory：建议设置为可用内存的70%
2.2 网络优化配置
# 设置通信网卡（根据实际网卡名称调整）
export GLOO_SOCKET_IFNAME=eth0
export NCCL_SOCKET_IFNAME=eth0
export NCCL_ALGO=Tree
export NCCL_NSOCKS_PERTHREAD=4
export NCCL_SOCKET_NTHREADS=2
常见问题：
若出现Gloo connectFullMesh failed错误，需检查防火墙设置并确认网卡名称正确
跨节点通信延迟高时，可尝试export NCCL_NET_GDR_LEVEL=PHB启用高性能模式
3. 模型部署与启动
3.1 模型下载
从ModelScope下载模型（以Qwen2.5-1.5B为例）：
modelscope download --model qwen/Qwen2.5-1.5B
模型默认保存在~/.cache/modelscope/hub/目录
3.2 分布式启动命令
两节点部署示例（每节点4卡）：
节点0启动命令
GLOO_SOCKET_IFNAME=eth0 NCCL_SOCKET_IFNAME=eth0 RAY_USE_IPV4=1 \
vllm serve qwen/Qwen2.5-1.5B \--dtype half \--tensor-parallel-size 4 \--pipeline-parallel-size 2 \--distributed-executor-backend ray \--gpu-memory-utilization 0.9 \--max-model-len 2048 \--host 0.0.0.0 \--port 6397 \--api-key key-abc123 \--cpu-offload-gb 64 \--block-size 8 \--swap-space 16
参数解析：
| 参数 | 作用 | 推荐值 |
|---|---|---|
| –tensor-parallel-size | 单节点内GPU并行数 | 通常等于单节点GPU数 |
| –pipeline-parallel-size | 跨节点并行数 | 通常等于节点数 |
| –cpu-offload-gb | CPU内存卸载量 | 显存不足时可设为物理内存的50% |
| –swap-space | SSD交换空间 | 建议16-32GB |
3.3 服务验证
健康检查：
curl http://localhost:6397/health
正常响应应包含200 OK状态码
模型列表查询：
curl http://localhost:6397/v1/models \-H "Authorization: Bearer key-abc123"
对话测试：
curl -X POST http://localhost:6397/v1/chat/completions \-H "Content-Type: application/json" \-H "Authorization: Bearer key-abc123" \-d '{"model": "qwen/Qwen2.5-1.5B","messages": [{"role": "system", "content": "你是一个专业的中文助手"},{"role": "user", "content": "用200字介绍下你自己"}],"temperature": 0.1,"max_tokens": 300,"stop": ["<|im_end|>"]}'
4. 性能优化策略
4.1 显存管理
分块处理：通过–block-size 8减小内存块大小，提升显存利用率
交换空间：启用–swap-space 16利用SSD扩展内存
动态卸载：设置–cpu-offload-gb 64将部分计算卸载到CPU
4.2 通信优化
拓扑感知：通过nvidia-smi topo -m查看GPU连接方式，优先使用NVLink互联的GPU组
协议调优：
export NCCL_IB_DISABLE=1 # 非InfiniBand环境禁用
export NCCL_SOCKET_NTHREADS=2 # 增加通信线程
4.3 批处理优化
连续批处理：vLLM默认启用，通过–max-num-seqs 256控制并发量
预填充优化：添加–enable-chunked-prefill参数减少延迟
5. 常见问题排查
5.1 部署阶段问题
问题1：Ray节点无法加入集群
解决方案：
检查防火墙设置：sudo ufw allow 6379/tcp
验证网络连通性：ping <主节点IP>
确认Ray版本一致：ray --version
问题2：NCCL通信超时
解决方案：
export NCCL_DEBUG=INFO
export NCCL_P2P_DISABLE=1 # 临时禁用P2P
5.2 推理阶段问题
问题3：显存不足(OOM)
解决方案：
降低–gpu-memory-utilization至0.7-0.8
启用量化：–quantization awq
减少–max-model-len值
问题4：响应延迟高
解决方案：
检查GPU利用率：nvidia-smi -l 1
调整–tensor-parallel-size与–pipeline-parallel-size比例
6. 监控与维护
6.1 集群监控
Ray Dashboard：访问http://:8265查看集群状态
Prometheus：集成vLLM指标导出：
vllm serve ... --enable-prometheus
6.2 日志分析
关键日志路径：
Ray日志：/tmp/ray/session_latest/logs/
vLLM日志：启动时添加> vllm.log 2>&1
注：实际性能取决于硬件配置和模型特性