图解大模型计算加速系列：vLLM源码解析2，调度器策略(Scheduler)

在本系列对vLLM的介绍中，都会按照 “宏观（图解） -> 细节（配合源码）” 的方式，先理清vLLM在这里想做什么事，为什么要这么做，然后再一起来看各小块的代码实现。

【全文目录如下】  
【0】前期提要与本期导览  
【1】入口函数  
【2】SequenceGroup  
2.1 原生输入  
2.2 SequenceGroup的作用  
2.3 SequenceGroup的结构  
【3】add_request()：将seq_group添加进调度器waiting队列  
【4】step()：调度器策略  
4.1 调度器结构  
4.2 整体调度流程  
4.3 _passed_delay：判断调度waiting队列的时间点  
4.4 can_allocate：能否为seq_group分配物理块做prefill  
4.5 can_append_slot：能否为seq_group分配物理块做decode  
4.6 allocate与append_slot：为seq_group分配物理块  
4.7 preempt：抢占策略  
4.8 调度器核心代码  
【5】总结  

【#】前期提要与本期导览

在上一篇关于vLLM代码整体架构的文章中，提到过无论是“离线批处理（同步）”还是“在线流式服务（异步）”，它们都采用了同一个推理内核引擎LLMEngine，其整体架构如下：

其中：

• 在每1个推理阶段中，调度器（Scheduler） 决定哪些请求可以参与推理，并为这些请求做好逻辑块->物理块的映射。

• 在每1个推理阶段中，分布式执行者 （图中Distributed Workers部分，根据代码，我们将其命名为model_executor会更加合适）接收调度器传来的这些请求，分发到各个worker上去做推理。Worker中的CacheEngine负责实际管理KV Cache；Worker中的model负责加载模型、实行推理，PagedAttention相关的实现和调用就在model下。

这里，每1个推理阶段的定义是：prefill算1个推理阶段，每个decode各算1个推理阶段。在本文中，我们统一用step来表示“1个推理阶段”。

• 在本文中，我们会详细解读调度器（Scheduler）全部细节；

• 在下一篇文章中，我们会详细解读块管理（blockmanager）的全部细节，并以parallel sampling，beam search和prefix caching为例，将上图左半部分全部串一遍

• 在后续文章中，我们会来解读上图右半部分细节（还没来得及拆逻辑，暂时不知道会写几篇）

由于块管理者和调度器在代码上逻辑层层嵌套，所以为了不影响大家对调度器的理解，涉及到块管理者的部分，本文也会给出尽量简明清晰的说明。

【1】入口函数

在源码架构篇中我们提过，本系列的介绍思路是：以“离线批处理”作为入口，详细解说内核引擎LLMEngine的各块细节。在此基础上再来看“在线流式服务”的运作流程。所以现在，先来回顾下离线批处理的调用方式：

from vllm import LLM, SamplingParams  
  
# batch prompts  
prompts = ["Hello, my name is",  
           "The president of the United States is",  
           "The capital of France is",  
           "The future of AI is",]  
  
# 采样参数  
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)  
  
# 初始化vLLM offline batched inference实例，并加载指定模型  
llm = LLM(model="facebook/opt-125m")  
  
# 推理  
outputs = llm.generate(prompts, sampling_params)  
  
# 对每一条prompt，打印其推理结果  
for output in outputs:  
    prompt = output.prompt  
    generated_text = output.outputs[0].text  
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")  

有两点需要注意：

llm = LLM(model="facebook/opt-125m")：实例化了一个离线批处理的vLLM对象。其本质是实例化了一个内核引擎LLMEngine对象。在执行这个步骤时，LLMEngine会执行一次模拟实验（profiling），来判断需要在gpu上预留多少的显存空间给KV Cache block（模拟实验的流程参见源码篇1的3.2节，TODO，大家可以对照着来读源码，本文不再涉及这块源码细节）。

推理入口在第24行outputs = llm.generate(prompts, sampling_params)。现在我们进入LLM类下，来看这个generate函数，代码如下：

# vllm/entrypoints/llm.py  
class LLM:  
    """An LLM for generating texts from given prompts and sampling parameters.  
       ...  
    """  
  
    def __init__(  
        self,  
        model: str,  
        tokenizer: Optional[str] = None,  
        tokenizer_mode: str = "auto",  
        trust_remote_code: bool = False,  
        tensor_parallel_size: int = 1,  
        dtype: str = "auto",  
        quantization: Optional[str] = None,  
        revision: Optional[str] = None,  
        tokenizer_revision: Optional[str] = None,  
        seed: int = 0,  
        gpu_memory_utilization: float = 0.9,  
        swap_space: int = 4,  
        enforce_eager: bool = False,  
        max_context_len_to_capture: int = 8192,  
        disable_custom_all_reduce: bool = True,  
        **kwargs,  
    ) -> None:  
        ...  
        # ==============================================================================  
        # 使用配置好的engine参数，初始化LLMEngine实例  
        # ==============================================================================  
        self.llm_engine = LLMEngine.from_engine_args(  
            engine_args, usage_context=UsageContext.LLM_CLASS)  
        # ==============================================================================  
        # 用于全局唯一的request_id，  
        # 在vLLM中内核引擎的处理中，1个prompt视为1个request，分配全局唯一的request_id  
        # ==============================================================================  
        self.request_counter = Counter()  
          
        ...  
  
    def generate(  
        self,  
        prompts: Optional[Union[str, List[str]]] = None,   
        sampling_params: Optional[SamplingParams] = None,  
        prompt_token_ids: Optional[List[List[int]]] = None,   
        use_tqdm: bool = True,  
        lora_request: Optional[LoRARequest] = None,  
        multi_modal_data: Optional[MultiModalData] = None,  
    ) -> List[RequestOutput]:  
        """Generates the completions for the input prompts.  
  
        NOTE: This class automatically batches the given prompts, considering  
        the memory constraint. For the best performance, put all of your prompts  
        into a single list and pass it to this method.  
  
        Args:  
            prompts: prompts可以是str，也可以是list[str]  
            sampling_params: 采样超参，例如温度、top_k等；如果为None则使用vLLM默认的参数  
            prompt_token_ids: prompt对应的token_id，如果没有提供的话，vllm会调用tokenizer进行                               转换  
            use_tqdm: 是否要展示process bar  
            lora_request: 如果想请求特定的lora_adapter，可以将它的path等信息包装在该请求中,  
                          但vLLM建议尽量不要使用这种方式，因为私有的lora adapter可能会带来一些  
                          安全性的问题          
            multi_modal_data: 多模态相关的数据  
  
        Returns:  
            A list of `RequestOutput` objects containing the generated  
            completions in the same order as the input prompts.  
        """  
        if prompts is None and prompt_token_ids is None:  
            raise ValueError("Either prompts or prompt_token_ids must be "  
                             "provided.")  
  
        if isinstance(prompts, str):  
            # Convert a single prompt to a list.  
            prompts = [prompts]  
        if (prompts is not None and prompt_token_ids is not None  
                and len(prompts) != len(prompt_token_ids)):  
            raise ValueError("The lengths of prompts and prompt_token_ids "  
                             "must be the same.")  
          
        if sampling_params is None:  
            # Use default sampling params.  
            sampling_params = SamplingParams()  
  
        if multi_modal_data:  
            multi_modal_data.data = multi_modal_data.data.to(torch.float16)  
  
        # ============================================================================  
        # 将request添加到engine中  
        # 在vLLM内核运算逻辑中，1个prompt算1个request，需要有1个全局唯一的request_id  
        # ============================================================================  
        num_requests = len(prompts) if prompts is not None else len(  
            prompt_token_ids)  
        for i in range(num_requests):  
            prompt = prompts[i] if prompts is not None else None  
            token_ids = None if prompt_token_ids is None else prompt_token_ids[  
                i]  
            # =======================================================================  
            # 将每个prompt添加进LLMEngine中，_add_request具体做了以下几件事：  
            # - 将每个prompt处理成特定的输入类型（SequenceGroup实例，后文会细说）  
            # - 将每个prompt加入Scheduler的waiting队列，等待处理  
            # =======================================================================  
            self._add_request(  
                prompt,  
                sampling_params,  
                token_ids,  
                lora_request=lora_request,  
                # Get ith image while maintaining the batch dim.  
                multi_modal_data=MultiModalData(  
                    type=multi_modal_data.type,  
                    data=multi_modal_data.data[i].unsqueeze(0))  
                if multi_modal_data else None,  
            )  
          
        # ============================================================================  
        # 把这个batch的所有prompt都添加完后，执行推理，详情参见_run_engine  
        # ============================================================================  
        return self._run_engine(use_tqdm)  
  
    def _add_request(  
        self,  
        prompt: Optional[str],  
        sampling_params: SamplingParams,  
        prompt_token_ids: Optional[List[int]],  
        lora_request: Optional[LoRARequest] = None,  
        multi_modal_data: Optional[MultiModalData] = None,  
    ) -> None:  
        # 每个prompt赋1个request_id  
        request_id = str(next(self.request_counter))  
        self.llm_engine.add_request(request_id,  
                                    prompt,  
                                    sampling_params,  
                                    prompt_token_ids,  
                                    lora_request=lora_request,  
                                    multi_modal_data=multi_modal_data)  
  
    def _run_engine(self, use_tqdm: bool) -> List[RequestOutput]:  
        # Initialize tqdm.  
        if use_tqdm:  
            num_requests = self.llm_engine.get_num_unfinished_requests()  
            pbar = tqdm(total=num_requests,  
                        desc="Processed prompts",  
                        dynamic_ncols=True)  
          
        # ===========================================================================  
        # 如果当前调度器中还有没完成推理的请求（调度器中waiting/running/swapped任一队列非空）  
        # ===========================================================================  
        outputs: List[RequestOutput] = []  
        while self.llm_engine.has_unfinished_requests():  
            # =========================================================================  
            # 执行1次推理调度（step），决定哪些请求的数据可以参与到这次推理中  
            # =========================================================================  
            step_outputs = self.llm_engine.step()  
            for output in step_outputs:  
                # =====================================================================  
                # 如果本step后，有请求已经完成了推理，就将推理结果装进outputs中  
                # =====================================================================  
                if output.finished:  
                    outputs.append(output)  
                    if use_tqdm:  
                        pbar.update(1)  
        if use_tqdm:  
            pbar.close()  
        # Sort the outputs by request ID.  
        # This is necessary because some requests may be finished earlier than  
        # its previous requests.  
        outputs = sorted(outputs, key=lambda x: int(x.request_id))  
        return outputs  
  

总结来说，当调用outputs = llm.generate(prompts, sampling_params)时，它实际做了两件事情：

1）_add_request：将输入数据传给LLMEngine，它具体做了如下事情：

#把每1个prompt包装成一个SequenceGroup对象。从客户端角度看，1个请求可能包含多个prompts，例如离线批处理场景下你可以将1个batch理解成1个请求；但是从LLMEngine的角度看，1个prompt是1个请求，所以它会对输入数据进行预处理。在后文对SequenceGroup的讲解中，我们会来看vLLM这样做的意义。

#把包装成SequenceGroup对象的数据加入调度器（Scheduler）的waiting队列，等待处理。 这一块相关的细节，我们放在后文说。

2）_run_engine：执行推理。只要调度器的waiting/running/swapped队列非空，就认为此时这批batch还没有做完推理，这时就会调用LLMEngine的step()函数，来完成1次调度以决定要送哪些数据去做推理。

所以，想要知道调度器的运作流程，只要从**LLMEngine的add_request()和step()两个函数入手就好了。不过在正式进入这两个函数的讲解之前，先来看和输入数据一个问题：**

为什么要把每个prompt都包装成一个SequenceGroup实例？SequenceGroup又长什么样呢？

【2】SequenceGroup

2.1 原生输入

在一般的推理场景中，通常给模型传1个prompt及相关的采样参数，让模型来做推理。此时你的输入可能长下面这样：

("To be or not to be,",  
SamplingParams(temperature=0.8, top_k=5, presence_penalty=0.2)),  

但在其余的场景中，模型decoding的策略可能更加复杂，例如：

• Parallel Sampling：你传给模型1个prompt，希望模型基于这个这个prompt，给出n种不同的output

• Beam Search：你传给模型1个prompt，在采用Beam Search时，每个推理阶段你都会产出top k个output，其中k被称为Beam width（束宽）。

这些情况下，你传给模型的输入可能长下面这样：

# Parallel Sampling  
("What is the meaning of life?",  
SamplingParams(n=2, temperature=0.8, top_p=0.95, frequency_penalty=0.1))  
  
# Beam Search (best_of = 束宽)  
("It is only with the heart that one can see rightly",  
SamplingParams(n=3, best_of=3, use_beam_search=True, temperature=0.0)),  

【备注：SamplingParams遵从OpenAI API范式，对其中各种参数的解释可参见OpenAI官方文档】

总结来说，可能出现"1个prompt -> 多个outputs"的情况。那是否能设计一种办法，对1个prompt下所有的outputs进行集中管理，来方便vLLM更好做推理呢？

2.2 SequenceGroup的作用

"1个prompt -> 多个outputs"这样的结构组成一个SequenceGroup实例。

其中每组"prompt -> output"组成一个序列（seq，属于Sequence实例），每个seq下有若干状态(status)属性，包括：

• FINISHED_STOPPED：正常执行完毕，例如碰到符号，该seq的推理正常结束了

• FINISHED_LENGTH_CAPPED：因为seq的长度达到最大长度限制，而结束推理

• FINISHED_ABORTED：因不正常状态，而被终止的推理。例如客户端断开连接，则服务器会终止相关seq的推理

• FINISHED_IGNORED：因prompt过长而被终止执行的推理。本质上也是受到长度限制

• WAITING：正在waiting队列中。waiting队列中的序列都没有做过prefill。

• RUNNING：正在running队列中，即已经开始做推理。

• SWAPPED：正在swapped队列中，表示此时gpu资源不足，相关的seq_group被抢占，导致其暂停推理，相关的KV block被置换到cpu上（swap out），等待gpu资源充足时再置换回来重新计算（swap in）。

• 若干和Finish相关的状态，表示该seq推理已经结束，具体包括：**

在vLLM中有一个重要假设：一个seq_group中的所有seq共享1个prompt。

来通过一个具体的例子，更好感受一下SequenceGroup的作用：

在推理开始之前，这个seq_group下只有1条seq，它就是prompt，状态为waiting。

在第1个推理阶段，调度器选中了这个seq_group，由于它的采样参数中n = 4，所以在做完prefill之后，它会生成4个seq，它们的状态都是running。

在若干个推理阶段后，gpu上的资源不够了，这个seq_group不幸被调度器抢占（preemption），它相关的KV block也被swap out到cpu上。此时所有seq的状态变为swapped。这里要注意，当一个seq_group被抢占时，对它的处理有两种方式：Swap：如果该seq_group下的seq数量 > 1，此时会采取swap策略，即把seq_group下【所有】seq的KV block从gpu上卸载到cpu上。（seq数量比较多，直接把算出的KV block抛弃，比较可惜）。Recomputation：如果该seq_group下的seq数量 = 1，此时会采取recomputation策略，即把该seq_group相关的物理块都释放掉，然后将它重新放回waiting队列中。等下次它被选中推理时，就是从prefill阶段开始重新推理了，因此被称为“重计算”。（seq数量少，重新计算KV block的成本不高）。

【注意，并不是每个seq_group都会经历抢占，具体要看调度器策略和gpu资源使用情况】

又过了若干个推理阶段，gpu上的资源又充足了，此时执行swap in操作，将卸载到cpu上的KV block重新读到gpu上，继续对该seq_group做推理，此时seq的状态又变为running。

又过了若干个推理阶段，该seq_group中有1个seq已经推理完成了，它的状态就被标记为finish，此后这条已经完成的seq将不参与调度。

又过了若干个推理阶段，这个seq_group下所有的seq都已经完成推理了，这样就可以把它作为最终output返回了。

相信通过这个例子，已经能更好理解为什么vLLM要把1个prompt包装成SequenceGroup实例了。接下来我们就来看SequenceGroup实例的具体结构。

2.3 SequenceGroup的结构

SequenceGroup相关的脚本在vllm/sequence.py中，下图给出了SequenceGroup的结构图解（仅列出重要的属性和方法）：

（1）结构总述

SequenceGroup:

• self.seqs_dict：{seq_id: seq}，其中每个seq是一个Sequence对象。正如我们前文介绍的那样，一个seq_group下包含若干seqs

• self.sampling_params：采样参数

• self.metrics：记录该seq_group相关的指标，例如该seq_group是什么时候被加入LLMEngine的（arrival_time），该seq_group第一次被调度器选中调度是什么时候等等。调度器在选择时，会参考seq_groups们的这些指标来做决策。

• get_max_num_running_steps：该seq_group在剩余生命周期内并行running的最大seq数量。“剩余生命周期”指从此刻一直到seq_group中所有的seq都做完推理。举个例子来说，我们看2.2节配图中倒数第3个时刻，此时这个seq_group内所有的seq都还没结束推理，所以若调用这个方法，则返回值为4；再看倒数第2个时刻，此时有1个seq已经完成了推理，所以若调用这个方法，则返回值为3。在后续调度策略代码中，我们将经常看到这个方法被调用，目的是用于估计若当前对一个seq_group做推理，它将消耗多少gpu资源。

来详细看下get_max_num_running_steps代码实现（一切尽在注释中）：

    def get_max_num_running_seqs(self) -> int:  
        """The maximum number of sequences running in parallel in the remaining  
        lifetime of the request.  
        返回请求在其剩余生命周期中并行运行的最大序列数。  
        """  
        # ============================================================================  
        # 若采用beam search，每1个推理阶段都是best_of（束宽）个seq在running  
        # ============================================================================  
        if self.sampling_params.use_beam_search:  
            return self.sampling_params.best_of  
        # ============================================================================  
        # 如果不采用beam search  
        # ============================================================================  
        else:  
            # =========================================================================  
            # 此时best_of默认和n一致，即表示我们希望1个prompt产出n个outputs。因此理论上，这个  
            # seq_group下会维护best_of个seq（这就是self.num_seqs()的返回值）。  
            # 如果出现best_of > self.num_seqs()的情况，说明该seq_group刚从waiting变成running  
            # 准备做推理（参考2.2节配图中左侧第1个时刻），此时对于这个seq_group来说，  
            # 其剩余生命周期并行运行的最大seq数量为best_of  
            # =========================================================================  
            if self.sampling_params.best_of > self.num_seqs():  
                # At prompt stage, the sequence group is not yet filled up  
                # and only have one sequence running. However, in the  
                # generation stage, we will have `best_of` sequences running.  
                return self.sampling_params.best_of  
              
            # =========================================================================  
            # 其余时刻（例如2.2节配图中非左侧第1个时刻的所有时刻）下，我们就返回这个seq_group中  
            # 未完成推理的seq数量。根据2.2节介绍，我们知道一个seq的完成状态有四种：  
            #   SequenceStatus.FINISHED_STOPPED,  
            #   SequenceStatus.FINISHED_LENGTH_CAPPED,  
            #   SequenceStatus.FINISHED_ABORTED,  
            #   SequenceStatus.FINISHED_IGNORED  
            # =========================================================================  
            return self.num_unfinished_seqs()

Sequence:

对于一个seq，我们重点来看它的属性self.logical_token_blocks（逻辑块）和方法_append_tokens_to_blocks（生成逻辑块的方法）。在vLLM中，每个seq都单独维护一份属于自己的逻辑块，不同的逻辑块可以指向同一个物理块（此刻你一定很关心逻辑块和物理块是如何做映射的，我们会循序渐进地讲解这点，现在你可以先忽略映射方法，把目光聚焦于“一个seq的逻辑块长什么样，怎么初始化它的逻辑块”）

（2）1个逻辑块的结构

先来回答“1个逻辑块长什么样”这个问题，逻辑块定义的代码比较简单，所以我们直接看代码（一切尽在注释中），代码路径vllm/block.py

class LogicalTokenBlock:  
    """A block that stores a contiguous chunk of tokens from left to right.  
  
    Logical blocks are used to represent the states of the corresponding  
    physical blocks in the KV cache.  
      
    KV cache的逻辑块  
    """  
  
    def __init__(  
        self,  
        block_number: int, # 逻辑块的序号  
        block_size: int, # 每个逻辑块中有多少个槽位（默认为16）  
    ) -> None:  
        self.block_number = block_number  
        self.block_size = block_size  
  
        # 逻辑块刚初始化时，将其中的每个token_id都初始化为_BLANK_TOKEN_ID（-1）  
        self.token_ids = [_BLANK_TOKEN_ID] * block_size   
        # 当前逻辑块中已经装下的token的数量  
        self.num_tokens = 0  
  
    def is_empty(self) -> bool:  
        """判断当前逻辑块是为空"""  
        return self.num_tokens == 0  
  
    def get_num_empty_slots(self) -> int:  
        """当前逻辑块的空余槽位"""  
        return self.block_size - self.num_tokens  
  
    def is_full(self) -> bool:  
        """判断当前逻辑块是否已经被装满"""  
        return self.num_tokens == self.block_size  
  
    def append_tokens(self, token_ids: List[int]) -> None:  
        """将给定的一些token_ids装入当前逻辑块中"""  
        # 给定的token_ids的长度必须 <= 当前逻辑块剩余的槽位  
        assert len(token_ids) <= self.get_num_empty_slots()  
        # 当前逻辑块第一个空槽的序号  
        curr_idx = self.num_tokens  
        # 将这些tokens装进去  
        self.token_ids[curr_idx:curr_idx + len(token_ids)] = token_ids  
        # 更新当前逻辑块中tokens的数量  
        self.num_tokens += len(token_ids)  
  
    def get_token_ids(self) -> List[int]:  
        """获取当前逻辑块中所有被装满的位置的token_ids"""  
        return self.token_ids[:self.num_tokens]  
  
    def get_last_token_id(self) -> int:  
        """获取当前逻辑块所所有被装满的位置的最后一个token_id"""  
        assert self.num_tokens > 0  
        return self.token_ids[self.num_tokens - 1]  

（3）再回到Sequence上来

知道了每个逻辑块的结构，我们现在来回答“怎么给一个seq分配逻辑块”这个问题，也就是回到2.3（1）中Sequence的_append_tokens_to_blocks方法上来：当一个seq只有prompt时，这个方法负责给prompt分配逻辑块；当这个seq开始产出output时，这个方法负责给每一个新生成的token分配逻辑块，整个过程如下图（图片来自vLLM论文，大家忽略图中block_table的部分）：

代码如下（一切尽在注释中，/vllm/sequence.py）:

    def _append_tokens_to_blocks(self, token_ids: List[int]) -> None:  
        """  
        将token_ids动态填入逻辑块列表中  
        Args:  
            token_ids: prompt部分的token_ids  
        """  
        cursor = 0  
        # 遍历prompt token_ids中的每一个token_id  
        while cursor < len(token_ids):  
            # 如果当前逻辑块列表（logical_token_blocks）为空  
            if not self.logical_token_blocks:  
                # 则先append一个逻辑块，该逻辑块index为0，大小为16，其中的每一个token_id为-1  
                self._append_logical_block()  
  
            # 取出逻辑块列表中的最后一个逻辑块  
            last_block = self.logical_token_blocks[-1]  
            # 如果这最后一个逻辑块中已经没有槽位  
            if last_block.is_full():  
                # 那么再append一个逻辑块，其大小为16，其中每一个token_id为-1  
                self._append_logical_block()  
                # 把这个新append的逻辑块取出来  
                last_block = self.logical_token_blocks[-1]  
              
            # 检查当前取出的逻辑块中空槽位的数量  
            num_empty_slots = last_block.get_num_empty_slots()  
            # 用当前的token_ids填充空槽位，直到无法填满为止  
            last_block.append_tokens(token_ids[cursor:cursor +  
                                               num_empty_slots])  
            cursor += num_empty_slots

好，到目前为止，就把vLLM对输入数据做预处理的部分介绍完了，简单总结下：

• 在vLLM内部计算逻辑中，1个prompt是1个request

• 每个prompt将被包装成一个SequenceGroup实例提供给调度器做调度

• 1个SequenceGroup实例下维护着若干个Sequence实例，对应着“1个prompt -> 多个outputs"这种更一般性的解码场景。

• 1个Sequence实例下维护着属于自己的逻辑块列表，数据类型为List[LogicalTokenBlock]

【3】add_request()：将seq_group添加进调度器waiting队列

写了这么多，你是不是已经忘记上面都说了些什么了，不要紧，我们快速回顾下：

• 首先，我们明确了vLLM最重要的推理内核引擎是LLMEngine

• LLMEngine下有两个最重要的方法：add_request()和step()

• add_request()负责将每个prompt都包装成一个SequenceGroup对象，送入调度器的waiting队列中等待调度

• step()负责执行1次推理过程，在这个过程中，调度器首先决定哪些seq_group可以被送去推理，然后model_executor负责实际执行推理。

现在，在知道SequenceGroup相关定义的基础上，我们可以来看add_request()了，我们直接来看代码（一切尽在注释中，为了方便阅读，代码有所省略）：

# vllm/engine/llm_engine.py  
    def add_request(  
        self,  
        request_id: str, # 每个请求的唯一id  
        prompt: Optional[str], # prompt（文字版）  
        sampling_params: SamplingParams, # 用于采样的参数（温度、topk等）  
        prompt_token_ids: Optional[List[int]] = None, # prompt（input_ids版）  
        arrival_time: Optional[float] = None, # 请求到达的时间。如果是None，则用当前系统时间  
        lora_request: Optional[LoRARequest] = None,  # 如果是用lora模型做推理，相关的lora请求  
        multi_modal_data: Optional[MultiModalData] = None, # 每个请求的多模态数据  
    ) -> None:  
        """  
        将request添加给LLMEngine  
  
        Args:  
            request_id: 在vLLM内部，1条prompt算1个请求，会附给1个请求id  
            prompt: prompt（文字版）  
            sampling_params: 采样参数（温度、topk等）  
            prompt_token_ids: prompt（token_id版），没有提供的话vLLM会调用tokenizer来做  
            arrival_time: 请求到达的时间。如果是None，则用当前系统时间  
            multi_modal_data: 多模态数据（暂时忽略不看）  
        """  
        ...  
          
        # ============================================================================  
        # 设置该请求的到达时间  
        # ============================================================================  
        if arrival_time is None:  
            arrival_time = time.time()  
        ...  
  
        # 每个KV cache block的大小（默认为16）  
        block_size = self.cache_config.block_size  
        # 当前seq的id（见后文讲解）  
        seq_id = next(self.seq_counter)  
        # 获取用于表示<eos>的token_id  
        eos_token_id = self.tokenizer.get_lora_tokenizer(  
            lora_request).eos_token_id  
          
        # ============================================================================  
        # 为当前序列创建Sequence对象，在Sequence对象中也包括对当前序列逻辑块们的管理  
        # ============================================================================  
        seq = Sequence(seq_id, prompt, prompt_token_ids, block_size,  
                       eos_token_id, lora_request)  
        ...  
        # ============================================================================  
        # 每个prompt被包装成一个SequenceGroup实例  
        # ============================================================================  
        seq_group = SequenceGroup(request_id, [seq], sampling_params,  
                                  arrival_time, lora_request, multi_modal_data)  
  
        # ============================================================================  
        # 将seq_group中所有序列添加进scheduler的self.waiting队列中  
        # self.waiting是一个双端队列实例，我们可以在队列的两端进行插入/删除操作  
        # ============================================================================  
        self.scheduler.add_seq_group(seq_group)  

【4】step()：调度器策略

现在所有的seq_group都已经被送入调度器（Scheduler）的waiting队列中了，接下来就来看，在1个推理阶段中，调度器是通过什么策略来决定要送哪些seq_group去做推理的，这也是vLLM难啃的硬骨头之一。

调度器相关的代码都在 vllm/core/scheduler.py中，由于代码逻辑嵌套比较复杂，所以依然先通过图解的方式把整个调度流程介绍一遍，然后再看关键的源码细节。

4.1 调度器结构

vLLM调度器维护的重要属性如上图所示：

• self.waiting, self.running, self.swapped：这三个都是python的**deque()**实例（双端队列，允许你从队列两侧添加或删除元素）。

• waiting队列用于存放所有还未开始做推理的seq_group，“未开始”指连prefill阶段都没有经历过。所以waiting队列中的seq_group只有一个seq，即是原始的prompt。

• running队列用于存放当前正在做推理的seq_group。更准确地说，它存放的是上1个推理阶段被送去做推理的seq_group们，在开始新一轮推理阶段时，调度器会根据本轮的筛选结果，更新running队列，即决定本轮要送哪些seq_group去做推理。

• swapped队列用于存放被抢占的seq_group。在2.2节中我们有提过，若一个seq_group被抢占，调度器会对它执行swap或recomputation操作，分别对应着将它送去swapped队列或waiting队列，在后文我们会详细分析抢占处理的代码

• self.policy：是vLLM自定义的一个Policy实例，目标是根据调度器总策略（FCFS，First Come First Serve，先来先服务）原则，对各个队列里的seq_group按照其arrival time进行排序。相关代码比较好读，所以这里我们只概述它的作用，后续不再介绍它的代码实现。

• self.prev_time：上一次调度发起的时间点，初始化为0。我们知道每执行1次推理阶段前，调度器都要做一次调度，这个变量存放的就是上次调度发起的时间点。

• self.prev_prompt：取值为True/False，初始化为False。若上一次调度时，调度器有从waiting队列中取出seq_group做推理，即为True，否则为False。

• self.last_prompt_latency：记录“当前调度时刻（now） - 最后一次有从waiting队列中取数做推理的那个调度时刻”的差值（并不是每一次调度时，调度器一定都会从waiting队列中取seq_group，它可能依旧继续对running队列中的数据做推理），初始化为0。

目前你可能很难明白这三个属性的作用，不要着急，在后文讲解具体调度流程时，我们会再来看它们。这里只需记住它们的定义即可。

1).BlockManager：物理块管理器。这也是vLLM自定义的一个class。截止本文写作时，vLLM提供了BlockSpaceManagerV1和BlockSpaceManagerV2两个版本的块管理器。V1是vLLM默认的版本，V2是改进版本（但还没开发完，例如不支持prefix caching等功能）。所以本文依然基于****BlockSpaceManagerV1进行讲解。物理块管理器这个class下又维护着两个重要属性：

2).BlockAllocator：物理块分配者，负责实际为seq做物理块的分配、释放、拷贝等操作。这也是我们后文要解读的对象。其下又分成self.gpu_allocator和self.cpu_allocator两种类型，分别管理gpu和cpu上的物理块。

3).self.block_tables：负责维护每个seq下的物理块列表，本质上它是一个字典，形式如{seq_id: List[PhysicalTokenBlock]}。注意，这里维护者【所有】seq_group下seq的物理块，而不是单独某一个seq的。因为整个调度器都是全局的，其下的BlockManager自然也是全局的。

读到这里，你还记得2.3节中我们曾介绍过，每个Sequence实例中维护着属于这个seq的逻辑块吗？而从self.block_tables中，又能根据seq_id找到这个seq对应的物理块。这就实现了“逻辑块 -> 物理块”的映射。在刚开始读代码的时候，很多朋友从直觉上都会觉得BlockManager就是用来存储逻辑块和物理块映射的，其实它只负责管理和分配物理块，映射关系潜藏在seq中。理解这点对理解代码非常重要。

现在，就把调度器（Scheduler）的结构理清了。我知道你肯定还有很多疑惑。所以马上来看调度策略的具体流程：“对于装在waiting、running、swapped队列中的那些seq_group，是根据什么规则决定本次推理阶段该送谁去推理呢？”

4.2 整体调度流程

上图刻画了某次调度步骤中三个队列的情况，再复习一下：

1.waiting队列中的数据都没有做过prefill，每个seq_group下只有1个seq（prompt）

2.running队列中存放着上一个推理阶段被送去做推理的所有seq_group

3.swapped队列中存放着之前调度阶段中被抢占的seq_group

running队列中的seq_group不一定能继续在本次调度中被选中做推理，这是因为gpu上KV cache的使用情况一直在变动，以及waiting队列中持续有新的请求进来的原因。所以调度策略的职责就是要根据这些变动，对送入模型做推理的数据做动态规划。

根据源码，我将vLLM调度步骤整理成上述流程图。看着有点复杂是吧，不要担心，我们这就来拆解它。

总结来说：

• 如果当前swapped队列为空，那就去检查是否能从waiting队列中调度seq_group，直到不满足调度条件为止（gpu空间不足，或waiting队列已为空等）。此时，1个推理阶段中，所有的seq_group都处在prefill阶段。

• 如果当前swapped队列非空，或者无法从waiting队列中调度任何seq_group时：

• 检查是否能从running队列中调度seq_group，直到不满足调度条件为止。

• 若本次无新的被抢占的seq_group，且swapped队列非空，就检查是否能从swapped队列中调度seq_group，直到不满足调度条件为止。

此时，1个推理阶段中，所有的seq_group要么全来自running队列，要么来自running + swapped队列，它们都处在decode阶段。

至此我们要记住vLLM调度中非常重要的一点：在1个推理阶段中，所有的seq_group要么全部处在prefill阶段。要么全部处在decode阶段。

你可能想问：为什么要以swapped是否非空为判断入口呢？

这是因为，如果当前调度步骤中swapped队列非空，说明在之前的调度步骤中这些可怜的seq_group因为资源不足被抢占，而停滞了推理。所以根据FCFS规则，当gpu上有充足资源时，我们应该先考虑它们，而不是考虑waiting队列中新来的那些seq_group。

同理，在图中你会发现，当我们进入对running队列的调度时（图中红色分支），我们会根据“本次调度是否有新的被抢占的seq_group”，来决定要不要调度swapped队列中的数据。这个理由也很简单：在本次调度中，我就是因为考虑到gpu空间不足的风险，我才新抢占了一批序列。既然存在这个风险，我就最好不要再去已有的swapped队列中继续调度seq_group了。

到这里，我们已经把整个调度流程的关键点给说完了。接下来，我们会配合源码，对上图中的细节进行介绍。

4.3 _passed_delay：判断调度waiting队列的时间点

在4.2的流程图中，4会看到进入waiting循环的判断条件之一是：waiting队列是否达到调度间隔阈值。这是个什么东西？又为什么要设置这样一个阈值呢？

模型在做推理时，waiting队列中是源源不断有seq_group进来的，一旦vLLM选择调度waiting队列，它就会停下对running/swapped中seq_group的decode处理，转而去做waiting中seq_group的prefill，也即vLLM必须在新来的seq_group和已经在做推理的seq_group间取得一种均衡：既不能完全不管新来的请求，也不能耽误正在做推理的请求。所以“waiting队列调度间隔阈值”就是来控制这种均衡的：

• 调度间隔设置得太小，每次调度都只关心waiting中的新请求，这样发送旧请求的用户就迟迟得不到反馈结果。且此时waiting队列中积累的新请求数量可能比较少，不利于做batching，浪费了并发处理的能力。

• 调度间隔设置得太大，waiting中的请求持续挤压，同样对vLLM推理的整体吞吐有影响。

那这个阈值在代码中是怎么控制的呢？还记得4.1中我们画Scheduler的结构图时有三个乍一看比较难懂的属性吗（见下图），它们就是用来控制这个阈值的：

vllm/core/scheduler.py脚本的_passed_delay()函数写了阈值判断的相关逻辑，直接看代码（一切尽在注释中）:

    def _passed_delay(self, now: float) -> bool:  
        """  
        判断当下是否可以从waiting队列中调度新请求  
        这个函数确保了在调度过程中不会频繁地处理新来的seq_group  
          
        Args:  
            now: 当前调度时间点  
        """  
        # =============================================================================  
        # self.prev_prompt: True/False，记录上一次调度步骤中，是否选择了从waiting队列中做调度  
        # self.prev_time：上次调度步骤时间点（不管是从哪个队列中调度，每次调度都会记录下时间点）  
        # 若上个调度步骤中，我们选择从waiting队列中做调度，则计算两个调度时刻的间隔  
        # ==============================================================================  
        if self.prev_prompt:  
            self.last_prompt_latency = now - self.prev_time  
          
        # =============================================================================  
        # 用当前调度时间更新prev_time  
        # 由于目前还不知道本次是否会从waiting队列中调度，因此prev_prompt先设为False  
        # =============================================================================  
        self.prev_time, self.prev_prompt = now, False  
          
        # =============================================================================  
        # Delay scheduling prompts to let waiting queue fill up  
        # delay_factor：用户配置的，用于调整调度间隔阈值的因子。大于0则意味着用户想开启阈值判断  
        # =============================================================================  
        if self.scheduler_config.delay_factor > 0 and self.waiting:  
            # =========================================================================  
            # 计算在waiting队列中，最早到达的seq_group的到达时间  
            # =========================================================================  
            earliest_arrival_time = min(  
                [e.metrics.arrival_time for e in self.waiting])  
            # =========================================================================  
            # now - earliest_arrival_time：最早到达waiting队列的seq_group当前“实际”等待的时间  
            # delay_factor*last_prompt_latency：最早到达waiting队列的请求当前“应该”等待的时间  
            # 只要前者比后者大，或者此时running队列中根本没有请求在跑，就可以进行对waiting做调度  
            # =========================================================================  
            passed_delay = (  
                (now - earliest_arrival_time) >  
                (self.scheduler_config.delay_factor * self.last_prompt_latency)  
                or not self.running)  
        # =============================================================================  
        # 如果你不想开启阈值判断，那就直接返回True  
        # =============================================================================  
        else:  
            passed_delay = True  
        return passed_delay

4.4 can_allocate：能否为seq_group分配物理块做prefill

通过了调度时间阈值的判断条件，现在我们顺利从waiting中取出一个seq_group，我们将对它进行prefill操作。所以这里我们必须先判断：gpu上是否有充足的空间为该seq_group分配物理块做prefill，根据4.1中绘制的调度器结构，这个操作当然是由我们的self.block_manager来做。

判断的入口代码为can_allocate = self.block_manager.can_allocate(seq_group)，配合上面图例，我们直接来看can_allocate函数的代码，（一切尽在注释中）:

    # vllm/core/block_manager_v1.py  
    def can_allocate(self, seq_group: SequenceGroup) -> AllocStatus:  
        """  
        确实是否可以给这个seq_group分配物理块，返回结果有三种情况：  
        - AllocStatus.NEVER：不分配；  
        - AllocStatus.OK：可以分配；  
        - AllocStatus.LATER：延迟分配  
        """  
        # FIXME(woosuk): Here we assume that all sequences in the group share  
        # the same prompt. This may not be true for preempted sequences.  
        # (这里我们假设一个seq_group下的所有序列的prompt都是相同的)  
          
        # ===========================================================================  
        # 取出这个seq_group下处于waiting状态的序列  
        # ===========================================================================  
        seq = seq_group.get_seqs(status=SequenceStatus.WAITING)[0]  
          
        # ===========================================================================  
        # 取出这个seq所有的逻辑块  
        # ===========================================================================  
        num_required_blocks = len(seq.logical_token_blocks)  
  
        # ===========================================================================  
        # block上的滑动窗口（可暂时假设其值为None，先忽略不看  
        # ===========================================================================  
        if self.block_sliding_window is not None:  
            num_required_blocks = min(num_required_blocks,  
                                      self.block_sliding_window)  
        # ===========================================================================  
        # 计算当前所有可用的物理块数量，List[PhysicalTokenBlock]  
        # ===========================================================================  
        num_free_gpu_blocks = self.gpu_allocator.get_num_free_blocks()  
  
        # ===========================================================================  
        # Use watermark to avoid frequent cache eviction.  
        # 决定是否能为当前seq分配物理块  
        # ===========================================================================  
        # 如果设备中所有的物理块数量 - 该seq实际需要的物理块数量 < 水位线block数量，则不分配  
        # （说明当前seq太长了）  
        if (self.num_total_gpu_blocks - num_required_blocks <  
                self.watermark_blocks):  
            return AllocStatus.NEVER  
        # 如果设备中可用的物理块数量 - 该seq实际需要的block数量 >= 水位线block数量，则分配  
        if num_free_gpu_blocks - num_required_blocks >= self.watermark_blocks:  
            return AllocStatus.OK  
        # 否则，现在不能分配，但可以延迟分配  
        else:  
            return AllocStatus.LATER

对上述代码做一些额外的说明：

代码第32行：num_free_gpu_blocks = self.gpu_allocator.get_num_free_blocks()。这里是在统计当前gpu上所有可用的物理块数数量（忘记gpu_allocator是什么的朋友，可以再回顾下4.1的调度器结构图）。在vLLM中，gpu_allocator的类型有两种：

1.CachedBlockAllocator：按照prefix caching的思想来分配和管理物理块。在原理篇中，我们提过又些prompts中可能含有类似system message（例如，“假设你是一个能提供帮助的行车导航”）E）等prefix信息，带有这些相同prefix信息的prompt完全可以共享用于存放prefix的物理块，这样既节省显存，也不用再对prefix做推理。

2.UncachedBlockAllocator：正常分配和管理物理块，没有额外实现prefix caching的功能。

关于这两种allocator的具体实现方式，我们将放在源码解读第3篇块管理来做讲解。这里大家只要明白大致定义即可，并不影响我们对调度策略的解读。

self.watermark_blocks：水位线block数量，它起的是一个预警和缓冲的作用，防止在1次调度中把gpu上预留给KV Cache的显存空间打得过满，出现一些意外风险（毕竟这个预留的显存空间也是我们估计出来的）。

NEVER和LATER的区别：这两者的相同之处在于，都是因为当前显存空间不够，而无法继续调度seq_group。区别在于，NEVER是因为这条seq实在太长（即prompt太长），长到动用了gpu上所有的block（num_total_gpu_blocks）都无法处理它，所以后续步骤中我们会直接把这个seq标记为完成，不再处理它；而LATER是因为之前可能已经调度了很多seq_group，它们占据了相当一部分显存空间，导致gpu上剩余的可用block（num_free_gpu_blocks）无法再处理它，所以我们延迟处理。

4.5 can_append_slot：能否为seq_group分配物理块做decode

回顾4.2调度器的流程图，你会看到我们从running队列中调度seq_group时，我们也会判断是否能为该seq_group分配物理块。但这时，我们的物理块空间是用来做decode的（给每个seq分配1个token的位置），而不是用来做prefill的（给每个seq分配若干个token的位置），所以这里我们采取的是另一种判断方法can_append_slot。

更具体来说，running队列中seq_group下的n个seqs在上1个推理阶段共生成了n个token。在本次调度中，我们要先为这n个token分配物理块空间，用于存放它们在本次调度中即将产生的KV值。

好，再回到这个seq_group的n个seqs上来，我们知道：

当往1个seq的物理块上添加1个token时，可能有两种情况：之前的物理块满了，所以我新开1个物理块给它。之前的物理块没满，我直接添加在最后一个物理块的空槽位上。所以，对于1个seq来说，最坏的情况就是添加1个物理块；对于n个seqs来说，最坏的情况就是添加n个物理块(想想原理篇中讲过的copy-on-write机制)。

对于1个seq_group，除了那些标记为“finish”的seq外，其余seqs要么一起送去推理，要么一起不送去推理。即它们是集体行动的

所以，判断能否对一个正在running的seq_group继续做推理的最保守的方式，就是判断当前可用的物理块数量是否至少为n。

直接看代码（一切尽在注释中，编辑器有问题，大家看截图吧）：

4.6 allocate与append_slot：为seq_group分配物理块

当我们判断当前有充足的gpu KV Cache空间给对应的seq_group做新一轮推理时，我们就可以实际给它分配物理块了。这一块的内容涉及的细节太多（不同的prefix caching方式，逻辑块到物理块的映射，物理块释放，物理块的refcount即copy-on-write机制等等），所以我们把这部分留在源码解读3：块管理中来详细说明。

跳过这块并不影响大家对调度器策略的解读。、

4.7 preempt：抢占策略

纵观4.2的调度流程，现在我们只剩1个重点没讲了：抢占策略。

其实在2.2介绍SequenceGroup时，已经提到了抢占策略的核心逻辑，这里再复制一遍：

在若干个推理阶段后，gpu上的资源不够了，这个seq_group不幸被调度器抢占（preemption），它相关的KV block也被swap out到cpu上。此时所有seq的状态变为swapped。这里要注意，当一个seq_group被抢占时，对它的处理有两种方式：

• Swap：如果该seq_group剩余生命周期中并行运行的最大seq数量 > 1，此时会采取swap策略，即把seq_group下【所有】seq的KV block从gpu上卸载到cpu上。（seq数量比较多，直接把算出的KV block抛弃，比较可惜）

• Recomputation：如果该seq_group剩余生命周期中并行运行的最大seq数量 = 1，此时会采取recomputation策略，即把该seq_group相关的物理块都释放掉，然后将它重新放回waiting队列中(放在最前面)。等下次它被选中推理时，就是从prefill阶段开始重新推理了，因此被称为“重计算”。（seq数量少，重新计算KV block的成本不高）

对“最大生命周期…”这里有疑惑的朋友，回顾下本文2.3（1）。

我们直接来看代码（一切尽在注释中）

    # vllm/core/scheduler.py  
    def _preempt(  
        self,  
        seq_group: SequenceGroup, # 被抢占的seq_group  
        blocks_to_swap_out: Dict[int, int],  
        preemption_mode: Optional[PreemptionMode] = None,  
    ) -> None:  
        """  
        对被抢占的seq_group进行处理，包括修改其下seq状态，做好gpu到cpu块之间的映射等  
        """  
        # If preemption mode is not specified, we determine the mode as follows:  
        # We use recomputation by default since it incurs lower overhead than  
        # swapping. However, when the sequence group has multiple sequences  
        # (e.g., beam search), recomputation is not currently supported. In  
        # such a case, we use swapping instead.  
        # FIXME(woosuk): This makes our scheduling policy a bit bizarre.  
        # As swapped sequences are prioritized over waiting sequences,  
        # sequence groups with multiple sequences are implicitly prioritized  
        # over sequence groups with a single sequence.  
        # TODO(woosuk): Support recomputation for sequence groups with multiple  
        # sequences. This may require a more sophisticated CUDA kernel.  
          
        # 如果没有指定被抢占的类型  
        if preemption_mode is None:  
            # 如果这个seq_group在剩余生命周期中并行运行的最大seq数为1  
            if seq_group.get_max_num_running_seqs() == 1:  
                # 就将抢占类型定位“recompute”  
                preemption_mode = PreemptionMode.RECOMPUTE  
            # 否则定为swap  
            else:  
                preemption_mode = PreemptionMode.SWAP  
          
        # =======================================================================  
        # 如果抢占类型是“RECOMPUTE”  
        # 则去除该seq对对应物理块的引用，同时将该seq状态改为running，放入waiting队列最前面  
        # （详情参见self._preempt_by_recompute）  
        # =======================================================================  
        if preemption_mode == PreemptionMode.RECOMPUTE:  
            self._preempt_by_recompute(seq_group)  
        # =======================================================================  
        # 如果抢占类型是“SWAP“  
        # 详情参见self._preempt_by_swap）  
        # =======================================================================  
        elif preemption_mode == PreemptionMode.SWAP:  
            self._preempt_by_swap(seq_group, blocks_to_swap_out)  
        else:  
            raise AssertionError("Invalid preemption mode.")  
  
    def _preempt_by_recompute(  
        self,  
        seq_group: SequenceGroup,  
    ) -> None:  
        # 获取这个seq_group下正在running的所有seqs，  
        # preemption_mode是RECOMPUTE时需要满足正在running的seqs数量为1  
        seqs = seq_group.get_seqs(status=SequenceStatus.RUNNING)  
        assert len(seqs) == 1  
          
        for seq in seqs:  
            # 将这条seq的状态从running改成waiting（后续这条seq就要重计算了）  
            seq.status = SequenceStatus.WAITING  
            # 释放这条seq对应的物理块  
            # 即将对应物理块的引用-1，如果此时引用数量为0，说明对应物理块完全自由了，需要再将其放入自由物理块列表中  
            self.free_seq(seq)  
            # 因为这条seq需要重计算了，所以将其data对象下_num_computed_tokens设置为0  
            seq.reset_state_for_recompute()  
          
        # NOTE: For FCFS, we insert the preempted sequence group to the front  
        # of the waiting queue.  
        # 将被抢占，且未来需要重计算的序列，放到waiting队列的最前面  
        self.waiting.appendleft(seq_group)  
  
    def _preempt_by_swap(  
        self,  
        seq_group: SequenceGroup,  
        blocks_to_swap_out: Dict[int, int],  
    ) -> None:  
        # ======================================================================  
        # - 释放该seq_group下所有seq的物理块，并为其分配对应的cpu物理块，  
        # - 将seq的状态从running改成swapped  
        # ======================================================================  
        self._swap_out(seq_group, blocks_to_swap_out)  
        # ======================================================================  
        # 在scheduler的swapped队列中添加该seq_group  
        # ======================================================================  
        self.swapped.append(seq_group)  
    
      def _swap_out(  
        self,  
        seq_group: SequenceGroup, # 需要被swap到cpu上的seq_group  
        blocks_to_swap_out: Dict[int, int],  
    ) -> None:  
        # ======================================================================  
        # 检查是否可以将当前seq_group对应的物理块swap到cpu上  
        # 可以的条件：当前seq_group占用的gpu物理块数量 <= cpu上可用的物理块数量  
        # ======================================================================  
        if not self.block_manager.can_swap_out(seq_group):  
            # FIXME(woosuk): Abort the sequence group instead of aborting the  
            # entire engine.  
            raise RuntimeError(  
                "Aborted due to the lack of CPU swap space. Please increase "  
                "the swap space to avoid this error.")  
        # ======================================================================  
        # 释放该seq_group下所有seq的gpu物理块，并为其创建对应的cpu块  
        # mapping：{gpu物理块id：cpu物理块id}  
        # ======================================================================  
        mapping = self.block_manager.swap_out(seq_group)  
        blocks_to_swap_out.update(mapping)  
          
        # ======================================================================  
        # 修改该seq_group下所有seq的状态：从running改成swapped  
        # ======================================================================  
        for seq in seq_group.get_seqs(status=SequenceStatus.RUNNING):  
            seq.status = SequenceStatus.SWAPPED

额外说明的一点是，一旦你决定执行swap out操作，你就做做好gpu物理块->cpu物理块之间的映射，这样等之后你想swap in时，你才知道去cpu上的哪里把这些物理块找回来。

swap更多的细节也会涉及到blockmanager，所以遗留的细节，也放在第三篇中说。

4.8 调度器核心代码

有了以上的基础（真是庞大的逻辑），现在终于能来看调度器中关于一次调度策略的核心代码了，大家可以配合4.2流程图阅读，一切尽在注释中～

    # vllm/core/scheduler.py  
    def _schedule(self) -> SchedulerOutputs:  
        """  
        """  
          
        # ==============================================================================  
        # blocks_to_swap_in：{cpu物理块id: gpu物理块id}  
        # blocks_to_swap_out：{gpu物理块id: cpu物理块id}  
        # blocks_to_copy: {旧物理块id：[由旧物理块copy-on-write而来的新物理块id]}  
        # ==============================================================================  
        blocks_to_swap_in: Dict[int, int] = {}  
        blocks_to_swap_out: Dict[int, int] = {}  
        blocks_to_copy: Dict[int, List[int]] = {}  
  
        # ==============================================================================  
        # Fix the current time.  
        # 获取当下时间  
        # ==============================================================================  
        now = time.time()  
  
        # ==============================================================================  
        # Join waiting sequences if possible.  
        # 如果swapped队列为空  
        # ==============================================================================  
        if not self.swapped:  
            # ==========================================================================  
            # ignored_seq_groups：记录因太长（所需的blocks和总blocks之间的差值超过阈值了），  
            # 而无法继续做生成的seq_group，这些seq_group中的seq状态都会被标记为  
            # FINISHED_IGNORED，表示直接不处理他们  
            # ==========================================================================  
            ignored_seq_groups: List[SequenceGroup] = []  
              
            # ==========================================================================  
            # 记录本次被调度的seq_group  
            # ==========================================================================  
            scheduled: List[SequenceGroup] = []  
              
            # ==========================================================================  
            # The total number of sequences on the fly, including the  
            # requests in the generation phase.  
            # 计算Scheduler running队列中还没有执行完的seq数量  
            # ==========================================================================  
            num_curr_seqs = sum(seq_group.get_max_num_running_seqs()  
                                for seq_group in self.running)  
            curr_loras = set(  
                seq_group.lora_int_id  
                for seq_group in self.running) if self.lora_enabled else None  
  
            # ==========================================================================  
            # Optimization: We do not sort the waiting queue since the preempted  
            # sequence groups are added to the front and the new sequence groups  
            # are added to the back.  
            # lora相关的，可以暂时不看  
            # ==========================================================================  
            leftover_waiting_sequences = deque()  
              
            # ==========================================================================  
            # 本次调度处理的token总数  
            # ==========================================================================  
            num_batched_tokens = 0  
  
            # ==========================================================================  
            # 开启新一次调度（while循环不结束意味着本次调度不结束，  
            # 跳出while循环时意味着本次调度结束了）  
            # 开启新一次调度的条件：当waiting队列中有等待处理的请求，且当前时刻可以处理请求  
            # ==========================================================================  
            while self._passed_delay(now) and self.waiting:  
                # =====================================================================  
                # 取出waiting队列中的第一个请求，也即最早到达的请求（seq_group）  
                # =====================================================================  
                seq_group = self.waiting[0]  
                  
                # =====================================================================  
                # 统计该seq_group中s处于waiting的seq的数量  
                # =====================================================================  
                waiting_seqs = seq_group.get_seqs(  
                    status=SequenceStatus.WAITING)  
                # =====================================================================  
                # 从waiting队列中取出来的seq_group，其seq数量一定是1  
                # =====================================================================  
                assert len(waiting_seqs) == 1, (  
                    "Waiting sequence group should have only one prompt "  
                    "sequence.")  
                  
                # =====================================================================  
                # 获取该seq的序列长度（如果该seq_group来自之前被抢占的请求，  
                # 那么这个长度不仅包括prompt，  
                # 还包括output）  
                # =====================================================================                   
                num_prefill_tokens = waiting_seqs[0].get_len()  
                  
                # =====================================================================  
                # 如果从waiting队列中取出的这条seq的长度 > 每次调度能处理的最大序列长度，  
                # 那么就打印警告信息，同时把这条seq的状态置为FINISHED_IGNORED，  
                # 并将对应seq_group装入ignored_seq_groups中，  
                # 然后将其从waiting列表中移除，不再处理  
                # =====================================================================  
                if num_prefill_tokens > self.prompt_limit:  
                    logger.warning(  
                        f"Input prompt ({num_prefill_tokens} tokens) is too "  
                        f"long and exceeds limit of {self.prompt_limit}")  
                    for seq in waiting_seqs:  
                        seq.status = SequenceStatus.FINISHED_IGNORED  
                    ignored_seq_groups.append(seq_group)  
                    self.waiting.popleft()  
                    continue  
                  
                # =====================================================================  
                # If the sequence group cannot be allocated, stop.  
                # 决定是否能给当前seq_group分配物理块  
                # can_allocate返回值可能有三种：  
                #       AllocStatus.NEVER：不分配；  
                #       AllocStatus.OK：可以分配；  
                #       AllocStatus.LATER：延迟分配  
                # =====================================================================  
                can_allocate = self.block_manager.can_allocate(seq_group)  
                # 若是延迟分配，则说明现在没有足够的block空间，所以跳出while循环（不继续对waiting队列中的数据做处理了）  
                if can_allocate == AllocStatus.LATER:  
                    break  
                # 如果不分配，说明seq长得超出了vLLM的处理范围，则后续也不再处理它，直接将该seq状态标记为FINISHED_IGNORED  
                elif can_allocate == AllocStatus.NEVER:  
                    logger.warning(  
                        f"Input prompt ({num_prefill_tokens} tokens) is too "  
                        f"long and exceeds the capacity of block_manager")  
                    for seq in waiting_seqs:  
                        seq.status = SequenceStatus.FINISHED_IGNORED  
                    ignored_seq_groups.append(seq_group) # 记录因为太长而无法处理的seq_group  
                    self.waiting.popleft() # 将该seq_group从waiting队列中移除  
                    continue  
  
                # =====================================================================                 # lora推理相关的部分，可暂时忽略  
                # =====================================================================  
                lora_int_id = 0  
                if self.lora_enabled:  
                    lora_int_id = seq_group.lora_int_id  
                    if (lora_int_id > 0 and lora_int_id not in curr_loras  
                            and len(curr_loras) >= self.lora_config.max_loras):  
                        # We don't have a space for another LoRA, so  
                        # we ignore this request for now.  
                        leftover_waiting_sequences.appendleft(seq_group)  
                        self.waiting.popleft()  
                        continue  
  
                # =====================================================================  
                # If the number of batched tokens exceeds the limit, stop.  
                # max_num_batched_tokens：单次调度中最多处理的token数量  
                # num_batched_tokens：本次调度中累计处理的token数量  
                # 如果后者 > 前者，则结束本次调度  
                # =====================================================================  
                num_batched_tokens += num_prefill_tokens  
                if (num_batched_tokens >  
                        self.scheduler_config.max_num_batched_tokens):  
                    break  
  
                # =====================================================================  
                # The total number of sequences in the RUNNING state should not  
                # exceed the maximum number of sequences.  
                # num_new_seqs: 当前seq_group中状态为“未执行完”的序列的数量  
                # num_curr_seqs：当前调度轮次中，状态为"未执行完“的序列总数  
                # 如果超过了我们对单次调度能执行的序列总数的阈值，就结束本次调度  
                # =====================================================================  
                num_new_seqs = seq_group.get_max_num_running_seqs()  
                if (num_curr_seqs + num_new_seqs >  
                        self.scheduler_config.max_num_seqs): # 单次迭代中最多处理多少个序列  
                    break  
  
                if lora_int_id > 0:  
                    curr_loras.add(lora_int_id)  
                  
                # =====================================================================  
                # 走到这一步时，说明当前seq_group已经通过上述种种验证，可以被加入本次调度中执行了  
                # 先将其从waiting队列中移出  
                # =====================================================================  
                self.waiting.popleft()  
                  
                # =====================================================================  
                # 为当前seq_group分配物理块  
                # =====================================================================  
                self._allocate(seq_group)  
                  
                # =====================================================================  
                # 将当前seq_group放入running队列中  
                # =====================================================================  
                self.running.append(seq_group)  
                  
                # =====================================================================  
                # 记录本次调度累计处理的序列数量  
                # =====================================================================  
                num_curr_seqs += num_new_seqs  
                  
                # =====================================================================  
                # 记录本次被调度的seq_group  
                # =====================================================================  
                scheduled.append(  
                    ScheduledSequenceGroup(  
                        seq_group=seq_group,  
                        token_chunk_size=num_prefill_tokens))  
              
            # =====================================================================  
            # 和lora相关的操作，暂时忽略  
            # =====================================================================  
            self.waiting.extendleft(leftover_waiting_sequences)  
  
            # =====================================================================  
            # 如果本次有被调度的seq_group（scheduled非空）  
            # 或者本次有被设置为不再处理的seq_group(ignored_seq_groups非空)  
            # 就将其包装成SchedulerOutputs对象  
            # =====================================================================  
            if scheduled or ignored_seq_groups:  
                self.prev_prompt = True  
                scheduler_outputs = SchedulerOutputs(  
                    scheduled_seq_groups=scheduled,  
                    prompt_run=True,  
                    num_batched_tokens=num_batched_tokens,  
                    blocks_to_swap_in=blocks_to_swap_in,  
                    blocks_to_swap_out=blocks_to_swap_out,  
                    blocks_to_copy=blocks_to_copy,  
                    ignored_seq_groups=ignored_seq_groups,  
                )  
                return scheduler_outputs  
  
        # ==============================================================================  
        # NOTE(woosuk): Preemption happens only when there is no available slot  
        # to keep all the sequence groups in the RUNNING state.  
        # In this case, the policy is responsible for deciding which sequence  
        # groups to preempt.  
        # 如果swap队列非空，且本次没有新的需要被发起推理的seq_group,  
        # 则对running队列中的seq_group，  
        # 按照 "当前时间-该seq_group到达时间" ，从早到晚排列running队列中的seq_group  
        # ==============================================================================  
        self.running = self.policy.sort_by_priority(now, self.running)  
  
        # ==============================================================================  
        # Reserve new token slots for the running sequence groups.  
        # 初始化一个新的running队列（deque（））  
        # 初始化一个抢占列表  
        # ==============================================================================  
        running: Deque[SequenceGroup] = deque()  
        preempted: List[SequenceGroup] = []  
          
        # ==============================================================================  
        # 当running队列非空时  
        # ==============================================================================  
        while self.running:  
            # 取出running队列中最早到来的seq_group  
            seq_group = self.running.popleft()  
            # =====================================================================  
            # 对于running队列中这个最早到来的seq_group，检查对于其中的每一个seq，  
            # 是否能至少分配一个物理块给它，如果不能的话  
            # （说明要执行抢占操作了，否则马上会没有资源让这个最早到达的seq_group做完推理）：  
            # （注意，这里用了while...else，如果while条件正常结束，则进入else内容；  
            #  如果被break，则不会执行else）  
            # =====================================================================  
            while not self.block_manager.can_append_slot(seq_group):  
                # =====================================================================  
                # 如果从running队列中取出最早达到的seq_group后，running队列还是非空  
                # =====================================================================  
                if self.running:  
                    # ==============================================================  
                    # 抢占running队列中最晚到来的seq_group（可怜的被害者）  
                    # ==============================================================  
                    victim_seq_group = self.running.pop()  
                      
                    # ==============================================================  
                    # 一个seq_group被抢占后，有2中处理方式：  
                    # - 如果该seq_group下只有一个seq，执行【重计算】，  
                    #   将其从running队列中移除，并清空它的物理块，  
                    #   将其seq的状态从running->waiting，并加入waiting队列。后面将重新计算  
                    #  
                    # - 如果该seq_group下有多个seq，执行【swap】，  
                    #   清空它的gpu物理块，并为这些物理块做好cpu物理块映射，  
                    #   这些seq的block_table字典中（{seq_id: block_table}）的block_table  
                    #   从gpu物理块改成cpu物理块  
                    #   将其seqs状态从running -> swapped，加入swapped队列  
                    # ==============================================================  
                    self._preempt(victim_seq_group, blocks_to_swap_out)  
                    preempted.append(victim_seq_group)  
                # ==============================================================  
                # 如果除这个最早到来的seq_group外，running队列中再没有别的seq_group了，  
                # 且此时又没有足够的空间留给这个最早来的seq_group做推理了，那么只能抢占它  
                # ==============================================================  
                else:  
                    # 那就只能抢占这个最早到达的seq_group了  
                    # No other sequence groups can be preempted.  
                    # Preempt the current sequence group.  
                    self._preempt(seq_group, blocks_to_swap_out)  
                    preempted.append(seq_group)  
                    break  
            # ==============================================================  
            # 如果此时有足够的空间给running队列中最早来的seq_group做推理了  
            # ==============================================================  
            else:  
                # ==============================================================  
                #  Append new slots to the sequence group.  
                # seq_group里的每个seq正常做推理。假设现在每个seq正常生成一个token，我们需要根据每个seq当前  
                # 维护的最后一个物理块的情况，决定是否需要分配新的物理块，决定的结果可能如下：  
                # - 物理块refcount = 1，且有充足槽位，则无需分配新物理块  
                # - 物理块refcount = 1，且无充足槽位，分配新的物理块  
                # - 物理块refcount > 1, 采用copy-on-write机制，分配新物理块，对该seq，  
                #                      用新物理块替换掉其block_table中维护的最后一个物理块  
                #                     （称为旧物理块）。释放旧物理块（令其refcount-1）。  
                #                      同时记录下新旧物理块之间的映射，  
                #   blocks_to_copy：{旧物理块id：[由旧物理块copy-on-write而来的新物理块id]}  
                # ==============================================================  
                self._append_slot(seq_group, blocks_to_copy)  
                  
                # ==============================================================  
                # 自定义的running队列中添加这个seq_group  
                # ==============================================================  
                running.append(seq_group)  
          
        # ==============================================================================  
        # 最终还能在running队列中运行的seq_group  
        # ==============================================================================  
        self.running = running  
  
        # ==============================================================================  
        # Swap in the sequence groups in the SWAPPED state if possible.  
        # 对于swapped队列中的seq_group，按照到达时间从早到晚排序  
        # ==============================================================================  
        self.swapped = self.policy.sort_by_priority(now, self.swapped)  
          
        # ==============================================================================  
        # 如果本次调度没有新安排的被抢占的seq_group(即preempted为空)  
        # ==============================================================================  
        if not preempted:  
            # ==============================================================  
            # 计算running队列中，所有seq_group下，“到生命周期结束为止最多运行的seq数量”的总和  
            # ==============================================================  
            num_curr_seqs = sum(seq_group.get_max_num_running_seqs()  
                                for seq_group in self.running)  
            # ==============================================================  
            # lora部分，暂时忽略  
            # ==============================================================  
            curr_loras = set(  
                seq_group.lora_int_id  
                for seq_group in self.running) if self.lora_enabled else None  
  
            # ==============================================================  
            # lora相关的，可以暂时不看  
            # ==============================================================  
            leftover_swapped = deque()  
  
            # ==============================================================  
            # 当swapped队列非空时  
            # ==============================================================  
            while self.swapped:  
                # ==============================================================  
                # 取出swap队列中最早被抢占的seq_group  
                # ==============================================================  
                seq_group = self.swapped[0]  
                # ==============================================================  
                # lora相关，暂时不看  
                # ==============================================================  
                lora_int_id = 0  
                if self.lora_enabled:  
                    lora_int_id = seq_group.lora_int_id  
                    if (lora_int_id > 0 and lora_int_id not in curr_loras  
                            and len(curr_loras) >= self.lora_config.max_loras):  
                        # We don't have a space for another LoRA, so  
                        # we ignore this request for now.  
                        leftover_swapped.appendleft(seq_group)  
                        self.swapped.popleft()  
                        continue  
  
                # ==============================================================  
                # If the sequence group cannot be swapped in, stop.  
                # 判断一个被swap的seq_group现在是否能重新running起来  
                # 【判断条件】：  
                # 当前gpu上可用的物理块数量 - 重新跑起这个seq_group需要的物理块数量   
                # >= 水位线物理块数量  
                # 其中：  
                # 后者 = 在被swap之前它已经使用的物理块数量（去重过了）   
                #       + 若能再次跑起来它至少需要的物理块数量  
                #（假设每个seq至少需要1个物理块）  
                # ==============================================================  
                # 如果不能，则意味着当前没有充足资源处理swap队列中的seq_group，则直接跳出循环  
                if not self.block_manager.can_swap_in(seq_group):  
                    break  
  
                # ==============================================================  
                # The total number of sequences in the RUNNING state should not  
                # exceed the maximum number of sequences.  
                # 如果对于swap队列中的这个seq_group，当前gpu上有充足资源可以让它重新跑起来的话：  
                # ==============================================================  
                # 取出这个seq_group在剩余生命周期内将并行运行的最大序列数  
                num_new_seqs = seq_group.get_max_num_running_seqs()  
                # 如果已超过一次调度中能处理的最大序列数，则不再对该seq_group进行处理  
                if (num_curr_seqs + num_new_seqs >  
                        self.scheduler_config.max_num_seqs):  
                    break  
                  
                # lora部分暂时不看  
                if lora_int_id > 0:  
                    curr_loras.add(lora_int_id)  
                  
                # ==============================================================  
                # 走到这一步，说明可以对swapped队列中的这个seq_group做相关处理了，  
                # 先把它从队列中移出去  
                # ==============================================================  
                self.swapped.popleft()  
                  
                # ==============================================================  
                # 将该seq_group下所有cpu块置换回gpu块，  
                # 并将其下每个seq的状态从swapped改成running  
                # ==============================================================  
                self._swap_in(seq_group, blocks_to_swap_in)  
                  
                # ==============================================================  
                # 假设其正常做推理了，假设现在生成了一个token，要如何分配物理块（参见上面注释）  
                # ==============================================================  
                self._append_slot(seq_group, blocks_to_copy)  
                num_curr_seqs += num_new_seqs  
                self.running.append(seq_group)  
  
            self.swapped.extendleft(leftover_swapped)  
  
        # ==============================================================================  
        # 如果本次调度有新安排的被抢占的seq_group(即preempted不为空)，那就准备将最终的running队列  
        # 作为scheduleroutputs返回  
        # ==============================================================================  
          
        # Each sequence in the generation phase only takes one token slot.  
        # Therefore, the number of batched tokens is equal to the number of  
        # sequences in the RUNNING state.  
        # 由于每个seq一次只生成1个token，因此num_batched_tokens = 状态为running的seq数量  
        num_batched_tokens = sum(  
            seq_group.num_seqs(status=SequenceStatus.RUNNING)  
            for seq_group in self.running)  
  
        # ==============================================================================  
        # 构建Schduleroutputs  
        # ==============================================================================  
        scheduler_outputs = SchedulerOutputs(  
            scheduled_seq_groups=[  
                ScheduledSequenceGroup(seq_group=running_group,  
                                       token_chunk_size=1)  
                for running_group in self.running  
            ],  
            prompt_run=False,  
            num_batched_tokens=num_batched_tokens,  
            blocks_to_swap_in=blocks_to_swap_in,  
            blocks_to_swap_out=blocks_to_swap_out,  
            blocks_to_copy=blocks_to_copy,  
            ignored_seq_groups=[],  
        )  
        return scheduler_outputs

---

在本文中，我们：

---

#从vLLM批处理的入口函数开始，介绍了其推理内核LLMEngine的两个重要函数add_request()和step()

#在LLMEngine开始处理请求前（实例化阶段），它会先做一次模拟实验，来估计gpu上需要预留多少显存给KV Cache block。

#当LLMEngine开始处理请求时(add_request)，它会把每个prompt当成一个请求，同时把它包装成一个SequenceGroup对象。

#当LLMEngine开始执行1次调度时（step），调度器策略(Scheduler)会根据实际gpu上KV Cache block的使用情况等要素，来选择要送哪些seq_group去做新一轮推理。注意，在1次推理中，所有seq_group要么一起做prefill，要么一起做decode。

到目前为止，遗留以下问题：

vLLM的物理块管理（block manager）的细节，包括物理块结构，逻辑块-物理块映射，物理块新增与释放，prefix caching等等

step()其余步骤：调度器只是决定了要送哪些seq_group去做推理，但是“每1个推理阶段结束后，如何根据output更新seq_group，将其送入下一次调度”这块不是调度器的职责，也是本文没涉及到的。

将在本系列后续的文章中，对块管理做详细讲解。在这之后，会分别以parallel sampling和beam search这两种decode方式为例，把整个流程传一遍，一起来更好理解vLLM背后的运作逻辑。

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

原文地址：https://blog.csdn.net/python1234567_/article/details/142684249

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！