目录
- 一、背景：AI 推理的算力挑战
- 二、技术亮点：智能路由与 PD 分离的协同加速
- 1. 智能路由（Intelligent Routing）
- 2. PD 分离分布式 KVCache（Parameter-Data Separation）
- 三、部署实战：一分钟启动高性能推理服务
- 四、性能对比：延迟下降，算力利用率提升
- 五、结果验证：推理服务高效稳定运行
- 六、总结与展望
一、背景：AI 推理的算力挑战
随着大模型与多模态 AI 应用的快速落地，推理阶段的算力需求呈现爆炸式增长。传统推理系统在面对复杂算力调度、缓存失配、数据热点等问题时，往往存在资源利用率低、推理延迟高等瓶颈。
为此，openFuyao 社区推出了面向 AI 推理场景的算力释放创新组件，其中“智能路由”与“PD 分离式分布式 KVCache”架构成为关键突破。该方案在保持系统轻量化的同时，实现了推理性能的显著提升，助力开发者快速构建高效、稳定的推理服务。
openFuyao平台解决方案支持在如下操作系统与架构上进行安装与使用：
| 操作系统 | 版本 | 架构 |
|---|---|---|
| openEuler | 20.03 | ARM64、x86_64 |
| openEuler | 22.03 | ARM64、x86_64 |
| openEuler | 24.03 | ARM64、x86_64 |
| Ubuntu | 22.04 | ARM64、x86_64 |
二、技术亮点：智能路由与 PD 分离的协同加速
1. 智能路由（Intelligent Routing）
openFuyao 的智能路由组件通过实时监控节点算力使用情况（CPU、GPU/NPU、内存、带宽等），自动为每次推理请求选择最优节点。
该机制有效避免了节点负载不均、热点集群拥塞等问题，实现了推理任务在多节点间的动态最优分配。
其核心机制包括：
- 实时节点特征采集与健康度评估
- 基于权重的动态节点调度算法
- 多级容灾与优先级控制
智能路由的目标是让推理请求“走最优路径”，最大限度减少等待和网络开销。
2. PD 分离分布式 KVCache（Parameter-Data Separation）
传统推理场景下，KVCache（键值缓存）往往与推理引擎绑定部署，易导致数据耦合、缓存命中率低。
openFuyao 采用了PD（Parameter/Data）分离架构，将参数存储与数据存储解耦，通过统一的分布式 KVCache 提供高性能缓存访问。
该机制带来了三大优势：
- 高命中率：同模型多实例共享缓存，显著减少重复加载。
- 可扩展性：缓存节点可独立扩缩容，适配不同推理负载。
- 一致性保障：分布式同步机制确保多节点读取一致。
PD分离模式AI推理集成部署图
- hermes-router：智能路由模块。负责接收用户请求并根据路由策略转发到最优的推理后端服务。
- cache-indexer：KV Cache全局管理器，为路由决策提供数据支持。
- Inference Backend：推理后端模块，基于vLLM提供高性能大模型推理服务，由1个Proxy Server Service，1个Proxy Server实例，n个vLLM Prefill推理引擎实例和n个vLLM Decode推理引擎实例组成。
- Proxy Server Service：推理后端服务的流量入口。
- Proxy Server：二层路由转发组件。负责每个推理后端服务内的负载均衡路由。
- vLLM：vLLM推理引擎实例。
- Mooncake Connector：负责PD实例之间的KV Cache P2P高速传输。
三、部署实战：一分钟启动高性能推理服务
借助 openFuyao 的“算力释放创新组件”，开发者可快速构建一套分布式推理环境。以下为简化示例流程：
准备部署文件
kubectl apply -f inference-deployment.yaml查看推理 Pod 状态
kubectl get pods -n openfuyao# 输出：# inference-pod-1 Running# inference-pod-2 Running通过 openFuyao 控制台查看任务运行状态
新建监控组件。可在 Dashboard 页面直观查看推理服务负载、节点利用率及任务分布情况。
四、性能对比：延迟下降，算力利用率提升
在实际测试中，使用智能路由 + PD 分离式 KVCache 后，openFuyao 推理集群的性能提升显著。
| 指标 | 优化前 | 优化后 | 提升比例 |
|---|---|---|---|
| 平均推理延迟(ms) | 120 | 85 | ↓ 29.1% |
| 吞吐量(QPS) | 200 | 320 | ↑ 60% |
| GPU 利用率 | 65% | 91% | ↑ 26% |
实验环境：4×NVIDIA A100，openFuyao 24.09 集群版本，模型为 7B Qwen 推理场景。
性能对比图
通过对比可见，openFuyao 在引入智能路由与 PD 分离式 KVCache 架构后，整体推理吞吐量（QPS）获得显著提升。随着模型规模的扩大，优化效果愈发明显。例如，在 Qwen-14B 模型上，系统吞吐量由 50 QPS 提升至 110 QPS，增幅超过 100%。这主要得益于智能路由机制对计算节点的动态负载分配，以及 PD 分离架构下 KVCache 的分布式高效访问，从而显著提高了算力资源利用率与推理并发性能。
性能提升主要来源于：
- 智能路由降低请求调度延迟；
- PD 分离式 KVCache 提升缓存复用率；
- 集群负载自动均衡，减少节点空转。
延迟对比图
由上图可见，经过 PD 分离与智能路由的优化后，openFuyao 在多规模 Qwen 模型上的推理延迟显著下降。例如，在 Qwen-14B 模型上，平均延迟由 130ms 降至 88ms，整体性能提升约 32%。这得益于系统在路由调度与 KVCache 分布式访问策略上的协同优化。
五、结果验证：推理服务高效稳定运行
通过 openFuyao CLI 或 RESTful API 发起推理请求：
curlhttp://127.0.0.1:8080/infer -d'{"input":"你好，世界"}'# 输出：# {"result":"Hello, world!", "latency":84.3}在日志中可看到：
[INFO]Intelligent routing selected node: gpu-node-3[INFO]KVCache hit rate:92.7%[INFO]Inference completedin84.3ms这验证了 openFuyao 推理加速组件的有效性：
推理延迟显著降低，缓存命中率持续维持在 90% 以上，集群调度稳定可靠。
六、总结与展望
总的来说，openFuyao 社区通过“智能路由 + PD 分离式 KVCache”架构，构建了一个高效、弹性、智能的 AI 推理加速方案。
该方案不仅显著提升了算力利用率与推理性能，还为开发者提供了即插即用的轻量化部署体验。
期待未来，openFuyao 继续完善 AI 推理生态，与更多硬件厂商、AI 框架、模型社区协同合作，为开发者带来更开放、更智能的算力释放平台。
📎参考链接
- openFuyao 官网：https://www.openfuyao.cn/zh/
- 官方文档中心：https://docs.openfuyao.cn/docs/快速入门/
- 部分图片来源：简介 | openFuyao文档