什么是 Prefix Cache

1. 什么是 Prefix Cache

在模型推理场景下，经常会使用缓存机制来提升吞吐和性能。常见的有两种缓存机制：

Key-Value Cache (KV Cache)，面向的是单次请求的内部，将 Transformer 模型中间计算结果（Key 和 Value）缓存起来，避免重复计算
Prefix Cache，面向的是多次请求时，利用 Prompt 的公共前缀，避免重复计算。

Prefix Cache 的原理是通过哈希、基数树等结构检测请求的公共前缀，在 prefill 阶段复用之前的计算结果，提升推理性能。

上面这张图就是 Radix Tree (基数树) 在多次请求下构建 Prefix Cache 的示意图，

随着请求的增加，缓存树在不断地调整，既会增加新的节点，也会通过策略删除节点。

Prefix Cache 给 AI 应用开发者的启示是：

将 Prompt 不变的部分放在前面，变动的部分放在后面
有多个 Prompt 尽量保持相同的前缀

2. 启动环境

为了能够直接使用内置的 benchmark 工具，这里使用 vLLM 的 OpenAI API Server 镜像。

nerdctl run -it \
        -p 8000:8000 \
        --gpus all \
        --ipc=host \
        --ulimit memlock=-1 \
        --ulimit stack=67108864 \
        --name vllm \
        --volume /data/models:/data/models \
        --entrypoint /bin/bash \
        vllm/vllm-openai:v0.10.1.1

3. 启动服务

3.1 推理服务

禁用 prefix cache

export CUDA_VISIBLE_DEVICES=7
python3 -m vllm.entrypoints.openai.api_server \
  --model /data/models/Qwen2.5-7B-Instruct \
  --served-model-name /data/models/Qwen2.5-7B-Instruct \
  --port 8000 \
  --gpu_memory_utilization 0.8 \
  --max-model-len 4096 \
  --max-seq-len-to-capture 8192 \
  --max-num-seqs 128 \
  --enforce-eager \
  --no-enable-prefix-caching

启用 prefix cache

export CUDA_VISIBLE_DEVICES=7
python3 -m vllm.entrypoints.openai.api_server \
  --model /data/models/Qwen2.5-7B-Instruct \
  --served-model-name /data/models/Qwen2.5-7B-Instruct \
  --port 8000 \
  --gpu_memory_utilization 0.8 \
  --max-model-len 4096 \
  --max-seq-len-to-capture 8192 \
  --max-num-seqs 128 \
  --enforce-eager \
  --enable-prefix-caching

3.2 启动客户端

进入环境

`1`	`nerdctl exec -it vllm /bin/bash`

使用随机数据集

vllm bench serve \
  --backend openai \
  --model /data/models/Qwen2.5-7B-Instruct \
  --dataset-name random \
  --random-input-len 1024 \
  --num-prompts 1024 \
  --request-rate 16

使用 ShareGPT 数据集

vllm bench serve \
  --backend openai \
  --model /data/models/Qwen2.5-7B-Instruct \
  --dataset-name sharegpt \
  --dataset-path /data/models/ShareGPT_V3_unfiltered_cleaned_split.json \
  --random-input-len 1024 \
  --num-prompts 1024 \
  --request-rate 16

4. 测试结果

禁用 prefix cache

times	Dataset	output tokens/s	P99 TTFT (ms)	P99 TPOT (ms)	Prefix Cache Hit Rate (%)
首次	random	1287.99	32274.35	142.70	0.0%
再次	random	1283.74	32440.12	145.42	0.0%
首次	sharegpt	2759.34	143.35	35.83	0.0%
再次	sharegpt	2763.50	138.34	35.68	0.0%

在测试过程中，会有少量 GPU KV cache 命中。

启用 prefix cache

times	Dataset	output tokens/s	P99 TTFT (ms)	P99 TPOT (ms)	Prefix Cache Hit Rate (%)
首次	random	1276.67	32963.75	149.21	0.4%
再次	random	1275.01	33149.52	156.06	0.8%
首次	sharegpt	2754.99	135.72	35.90	0.8%
再次	sharegpt	2783.04	47.05	17.73	96.0%

使用的设备是 NVIDIA A100-SXM4-80GB，从测试结果可以看出，使用 Prefix Cache 在 ShareGPT 数据集上，第二次测试的 Prefix Cache 命中率达到了 96.0%，P99 TTFT 从 138.34ms 降低到了 47.05ms，提升非常明显。

这说明，在显存充足的情况下，如果 Prompt 能够命中缓存，推理的 TTFT、TPOT 都会有显著的提升。

推荐订阅源

陈少文的网站