Menyajikan Mistral Small 4 menggunakan GPU di GKE dengan vLLM

Untuk menayangkan Mistral Mistral di Google Kubernetes Engine (GKE) dengan framework vLLM menggunakan GPU, Anda harus menyediakan cluster GKE dengan akselerator yang didukung, seperti GPU NVIDIA H100.

Untuk menayangkan model Mistral Small 4, container vLLM bawaan dikonfigurasi untuk memuat bobot model. Bobot akan dimuat dari bucket Cloud Storage (ditentukan oleh argumen --model).

Setelah bobot dimuat, container vLLM akan mengekspos endpoint API yang kompatibel dengan OpenAI untuk inferensi throughput tinggi.

Tutorial ini ditujukan untuk Engineer machine learning (ML), Admin dan operator platform, serta Spesialis Data dan AI yang tertarik menggunakan kemampuan orkestrasi container Kubernetes untuk menayangkan workload AI/ML di hardware GPU H100.

Sebelum membaca halaman ini, pastikan Anda memahami hal berikut:

Tujuan

Tutorial ini memberikan dasar untuk memahami dan menjelajahi deployment LLM praktis untuk inferensi di lingkungan Kubernetes terkelola.

  1. Siapkan lingkungan Anda dengan cluster GKE dalam mode Autopilot.
  2. Deploy container vLLM ke cluster Anda.
  3. Gunakan vLLM untuk menayangkan model Mistral melalui antarmuka curl.

Sebelum memulai

  • In the Cloud de Confiance console, on the project selector page, select or create a Cloud de Confiance project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  • Verify that billing is enabled for your Cloud de Confiance project.

  • Enable the required API.

    Roles required to enable APIs

    To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

    Enable the API

  • Pastikan Anda memiliki peran berikut di project: roles/container.admin, roles/iam.serviceAccountAdmin

    Memeriksa peran

    1. Di Cloud de Confiance konsol, buka halaman IAM.

      Buka IAM
    2. Pilih project.

    3. Di kolom Akun utama, temukan semua baris yang mengidentifikasi Anda atau grup yang Anda ikuti. Untuk mengetahui grup mana yang Anda ikuti, hubungi administrator Anda.

    4. Untuk semua baris yang menentukan atau menyertakan Anda, periksa kolom Peran untuk melihat apakah daftar peran menyertakan peran yang diperlukan.

    Memberikan peran

    1. Di Cloud de Confiance konsol, buka halaman IAM.

      Buka IAM
    2. Pilih project.
    3. Klik Grant access.

    4. Di kolom New principals, masukkan ID pengguna Anda. Biasanya, ini adalah ID untuk pengguna dalam workforce identity pool. Untuk mengetahui detailnya, lihat Merepresentasikan pengguna workforce pool dalam kebijakan IAM, atau hubungi administrator Anda.

    5. Klik Select a role, lalu telusuri peran.
    6. Untuk memberikan peran tambahan, klik Add another role , lalu tambahkan tiap peran tambahan.
    7. Klik Save.
  • Pastikan project Anda memiliki kuota yang cukup untuk GPU H100. Untuk mengetahui informasi selengkapnya, lihat Tentang GPU dan Kuota alokasi.

Menyiapkan lingkungan Anda

Dalam tutorial ini, Anda akan menggunakan kubectl dan gcloud CLI untuk mengelola resource yang dihosting di Cloud de Confiance by S3NS. Anda dapat memberikan otorisasi dengan gcloud CLI untuk mengakses Cloud de Confiance by S3NS.

Untuk menyiapkan lingkungan Anda dengan gcloud CLI, tetapkan variabel lingkungan default di gcloud CLI:

gcloud config set project PROJECT_ID
gcloud config set billing/quota_project PROJECT_ID
export PROJECT_ID=$(gcloud config get project)
export REGION=u-france-east1
export CLUSTER_NAME=CLUSTER_NAME
export GSA_NAME=GSA_NAME
export KSA_NAME=KSA_NAME
export NAMESPACE=NAMESPACE
export PROJECT_NUMBER=$(gcloud projects describe PROJECT_ID --format="value(projectNumber)")
export MODEL_BUCKET_NAME=MODEL_BUCKET_NAME

Ganti nilai berikut:

  • PROJECT_ID: Project ID Anda. Cloud de Confiance
  • REGION: region u-france-east1 yang mendukung GPU H100. Anda dapat menemukan region mana yang memiliki GPU mana yang tersedia.
  • CLUSTER_NAME: nama cluster Anda.
  • GSA_NAME: nama untuk Akun Layanan Google, misalnya, mistral-small-gsa.
  • KSA_NAME: nama untuk ServiceAccount Kubernetes, misalnya, mistral-small-ksa.
  • NAMESPACE: namespace Kubernetes, misalnya, default.
  • MODEL_BUCKET_NAME: nama bucket Cloud Storage tempat bobot model akan disimpan. Nama ini dapat sama dengan nama model yang dipilih, seperti mistral-small-4-119b-weights.

Membuat dan mengonfigurasi Cloud de Confiance resource

Ikuti petunjuk ini untuk membuat resource yang diperlukan.

Membuat cluster GKE dan node pool

Anda dapat menayangkan Mistral di GPU dalam cluster Autopilot GKE. Cluster Autopilot memberikan pengalaman Kubernetes yang terkelola sepenuhnya.

Di gcloud CLI, jalankan perintah berikut:

gcloud container clusters create-auto CLUSTER_NAME \
    --project=PROJECT_ID \
    --location=REGION \
    --release-channel=rapid

Ganti nilai berikut:

GKE membuat cluster Autopilot dengan node CPU dan GPU seperti yang diminta oleh workload yang di-deploy.

Membuat bucket Cloud Storage

  1. Di gcloud CLI, jalankan perintah berikut:

    gcloud storage buckets create gs://${MODEL_BUCKET_NAME} \
  --project=${PROJECT_ID} \
  --location=${REGION} \
  --uniform-bucket-level-access

    Tindakan ini akan membuat bucket Cloud Storage untuk menyimpan file model yang Anda download dari Hugging Face.

  2. Download dan Upload Bobot Model:

    Anda harus mendapatkan bobot model Mistral Small 4 untuk versi yang ingin Anda tayangkan (misalnya, dari Hugging Face atau sumber resmi lainnya). Atur file yang didownload secara lokal ke dalam direktori. Contoh:

    • ./mistral-small-4-119b-weights-local/ (berisi semua file untuk model Mistral Small 4)

    Upload direktori ini ke bucket Cloud Storage Anda dengan awalan tertentu yang diharapkan oleh manifes deployment:

    # Upload files for the mistral-small-4 model
gcloud storage cp --recursive ./mistral-small-4-119b-weights-local/* gs://${MODEL_BUCKET_NAME}

    Struktur perintah ini memastikan file model berada di jalur seperti gs://${MODEL_BUCKET_NAME}/config.json, dll.

Mengonfigurasi Workload Identity Federation for GKE untuk Akses Cloud Storage

Untuk mengizinkan pod Kubernetes Anda mengakses bucket Cloud Storage yang berisi bobot model secara aman, Anda akan mengonfigurasi GKE Workload Identity Federation for GKE.

  1. Buat Akun Layanan Google (GSA):

    gcloud iam service-accounts create ${GSA_NAME} \
  --project=${PROJECT_ID}

  2. Tentukan dan Ekspor Email GSA:

    Format email bergantung pada apakah ${PROJECT_ID} Anda memiliki cakupan domain (berisi titik dua).

    if [[ $PROJECT_ID == *:* ]]; then
  DOMAIN=$(echo $PROJECT_ID | cut -d: -f1)
  PROJ_NAME=$(echo $PROJECT_ID | cut -d: -f2)
  export GSA_EMAIL="${GSA_NAME}@${PROJ_NAME}.${DOMAIN}.s3ns.iam.gserviceaccount.com"
else
  export GSA_EMAIL="${GSA_NAME}@${PROJECT_ID}.s3ns.iam.gserviceaccount.com"
fi
  echo "Using GSA Email: ${GSA_EMAIL}"

  3. Buat Akun Layanan Kubernetes (KSA):

    KSA ini digunakan dalam manifes deployment Anda.

    kubectl create serviceaccount ${KSA_NAME} --namespace ${NAMESPACE}

    Jalankan perintah berikut untuk memverifikasi pembuatan

    kubectl get serviceaccounts --namespace ${NAMESPACE}

  4. Beri anotasi pada KSA untuk Menautkannya ke GSA:

    Anotasi ini memberi tahu GKE GSA mana yang dapat di-impersonate oleh KSA.

    kubectl annotate serviceaccount ${KSA_NAME} \
  --namespace ${NAMESPACE} \
  iam.gke.io/gcp-service-account=${GSA_EMAIL}

  5. Beri KSA Izin untuk Meniru Identitas GSA:

    Binding IAM ini di GSA memungkinkan KSA bertindak sebagai GSA.

    if [[ $PROJECT_ID == *:* ]]; then
  DOMAIN=$(echo $PROJECT_ID | cut -d: -f1)
  PROJ_NAME=$(echo $PROJECT_ID | cut -d: -f2)
  export WI_MEMBER="serviceAccount:${PROJ_NAME}.${DOMAIN}.s3ns.svc.id.goog[${NAMESPACE}/${KSA_NAME}]"
else
  export WI_MEMBER="serviceAccount:${PROJECT_ID}.s3ns.svc.id.goog[${NAMESPACE}/${KSA_NAME}]"
fi

gcloud iam service-accounts add-iam-policy-binding ${GSA_EMAIL} \
  --role roles/iam.workloadIdentityUser \
  --member="${WI_MEMBER}" \
  --project=${PROJECT_ID}

  6. Beri GSA izin untuk membaca dari Bucket:

    Beri GSA peran storage.objectViewer di bucket. 

    gcloud storage buckets add-iam-policy-binding gs://${MODEL_BUCKET_NAME} \
  --member="serviceAccount:${GSA_EMAIL}" \
  --role="roles/storage.objectViewer" \
  --project=${PROJECT_ID}

Men-deploy model Mistral Small 4 di vLLM

Untuk men-deploy model Mistral Small 4, buat bucket Cloud Storage untuk setiap model guna menyimpan bobot model, dan terapkan manifes Deployment Kubernetes untuk ukuran model yang Anda pilih. Deployment adalah objek Kubernetes API yang memungkinkan Anda menjalankan beberapa replika Pod yang didistribusikan di antara node dalam cluster.

Prosedur

Menerapkan manifes ini akan menarik image container vLLM, meminta GPU NVIDIA, dan otomatis terhubung ke bobot model dari bucket Cloud Storage untuk memulai mesin inferensi vLLM.

Mistral Small 4

Ikuti petunjuk ini untuk men-deploy model yang disesuaikan dengan petunjuk Mistral Small 4.

  1. Buat manifes vllm-mistral-small.yaml berikut:

    apiVersion: cloud.google.com/v1
kind: ComputeClass
metadata:
  name: a3-edgegpu-8g-nolssd
spec:
  priorities:
  - machineType: a3-edgegpu-8g-nolssd
    gpu:
      count: 8
      type: nvidia-h100-80gb
  nodePoolAutoCreation:
    enabled: true
---
apiVersion: apps/v1
kind: Deployment
metadata:
  name: vllm-mistral-deployment
spec:
  replicas: 1
  selector:
    matchLabels:
      app: mistral-server
  template:
    metadata:
      labels:
        app: mistral-server
        ai.gke.io/model: mistral-small-4-119b-weights
        ai.gke.io/inference-server: vllm
        examples.ai.gke.io/source: user-guide
    spec:
      containers:
      - name: inference-server
        image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:gemma4
        resources:
          requests:
            cpu: "48"
            memory: "200Gi"
            ephemeral-storage: "250Gi"
            nvidia.com/gpu: "2"
          limits:
            cpu: "48"
            memory: "200Gi"
            ephemeral-storage: "250Gi"
            nvidia.com/gpu: "2"
        command: ["./entrypoint.sh"] # Use the image's entrypoint
        args:
        - "python"
        - "-m"
        - "vllm.entrypoints.api_server"
        - "--host=0.0.0.0"
        - "--port=8080"
        - "--model=gs://mistral-small-4-119b-weights" # YOUR Cloud Storage PATH
        - "--tensor-parallel-size=2"
        - "--enable-log-requests"
        - "--enable-chunked-prefill"
        - "--enable-prefix-caching"
        - "--enable-auto-tool-choice"
        - "--generation-config=auto"
        - "--tool-call-parser=mistral"
        - "--dtype=bfloat16"
        - "--max-num-seqs=256"
        - "--max-model-len=8192"
        - "--gpu-memory-utilization=0.90"
        - "--reasoning-parser=mistral"
        - "--trust-remote-code"
        ports:
        - containerPort: 8080
        env:
        - name: GOOGLE_CLOUD_UNIVERSE_DOMAIN
          value: ""
        - name: CLOUDSDK_CORE_UNIVERSE_DOMAIN
          value: ""
        - name: GCS_URI_ARG_KEY
          value: "model"
        - name: GCS_URI_ENV_KEY
          value: "AIP_STORAGE_URI"
        - name: LORA_ADAPTER_ARG_KEY
          value: "lora-modules"
        - name: HF_HUB_ENABLE_HF_TRANSFER
          value: "1"
        volumeMounts:
        - mountPath: /dev/shm
          name: dshm
      volumes:
      - name: dshm
        emptyDir:
          medium: Memory
      nodeSelector:
        cloud.google.com/compute-class: a3-edgegpu-8g-nolssd
---
apiVersion: v1
kind: Service
metadata:
  name: llm-service
spec:
  selector:
    app: mistral-server
  type: ClusterIP
  ports:
    - protocol: TCP
      port: 8080
      targetPort: 8080

  2. Terapkan manifes:

    kubectl apply -f vllm-mistral-small.yaml

    Jika mau, Anda dapat membatasi ukuran jendela konteks sebesar 16 K menggunakan opsi vLLM --max-model-len=16384. Jika Anda menginginkan ukuran jendela konteks yang lebih besar (hingga 128 K), sesuaikan manifes dan konfigurasi node pool Anda dengan kapasitas GPU yang lebih besar.

Verifikasi

  1. Tunggu hingga Deployment tersedia:

    kubectl wait --for=condition=Available --timeout=1800s deployment/vllm-mistral-deployment

  2. Lihat log dari Deployment yang sedang berjalan:

    kubectl logs -f -l app=mistral-server

    Resource Deployment mendownload data model Mistral Small 4. Proses ini dapat memerlukan waktu beberapa menit. Outputnya mirip dengan hal berikut ini:

      ...
  ...
  (APIServer pid=1) INFO:     Started server process [1]
  (APIServer pid=1) INFO:     Waiting for application startup.
  (APIServer pid=1) INFO:     Application startup complete.

Setelah deployment tersedia, siapkan penerusan port untuk berinteraksi dengan model.

Menayangkan model

Di bagian ini, Anda akan berinteraksi dengan model. Pastikan model didownload sepenuhnya sebelum melanjutkan.

Menyiapkan penerusan port

Jalankan perintah berikut untuk menyiapkan penerusan port ke model:

kubectl port-forward svc/llm-service 8080:8080 --namespace default &

Outputnya mirip dengan hal berikut ini:

Forwarding from 127.0.0.1:8080 -> 8080

Berinteraksi dengan model menggunakan curl

Bagian ini menunjukkan cara melakukan pengujian dasar untuk memverifikasi model yang disesuaikan dengan petunjuk Mistral yang di-deploy. Untuk model lain, ganti mistral-small-4-119b-weights dengan nama model yang sesuai.

Contoh ini menunjukkan cara menguji model yang disesuaikan dengan petunjuk Mistral dengan input teks saja.

Di sesi terminal baru, gunakan curl untuk melakukan chat dengan model Anda:

curl http://127.0.0.1:8080/v1/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistralai/Mistral-Small-4-119B-2603-eagle",
    "prompt": "What is the capital of France?",
    "max_tokens": 50,
    "temperature": 0.7
  }'

Outputnya akan terlihat mirip seperti berikut:

{
  "id": "cmpl-b5d649b6a2d7a330",
  "object": "text_completion",
  "created": 1781137490,
  "model": "openapi",
  "choices": [
    {
      "index": 0,
      "text": " This question is likely to have been asked millions of times, 
      and the answer is always the same: Paris. But why is Paris the capital 
      of France? The answer to this question is not as simple as 
      it may seem, as it involves a complex",
      "logprobs": null,
      "finish_reason": "length",
      "stop_reason": null,
      "token_ids": null,
      "prompt_logprobs": null,
      "prompt_token_ids": null
    }
  ],
  "service_tier": null,
  "system_fingerprint": null,
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 58,
    "completion_tokens": 50,
    "prompt_tokens_details": null
  },
  "kv_transfer_params": null
}

Memecahkan masalah

  • Jika Anda mendapatkan pesan Empty reply from server, kemungkinan container belum selesai mendownload data model. Periksa kembali log Pod untuk pesan Connected yang menunjukkan bahwa model siap ditayangkan.
  • Jika Anda melihat Connection refused, pastikan penerusan port Anda aktif.

Mengamati performa model

Untuk melihat dasbor metrik observabilitas model, ikuti langkah-langkah berikut:

  1. Di Cloud de Confiance konsol, buka halaman Deployed Models.

    Buka Model yang Di-deploy

  2. Untuk melihat detail tentang deployment tertentu, termasuk metrik, log, dan dasbornya, klik nama model dalam daftar.

  3. Di halaman detail model, klik tab Observability untuk melihat dasbor berikut. Jika diminta, klik Enable untuk mengaktifkan pengumpulan metrik untuk cluster.

    • Dasbor Infrastructure usage menampilkan metrik penggunaan.
    • Dasbor DCGM menampilkan metrik DCGM.
    • Jika Anda menggunakan vLLM, dasbor Model performance akan tersedia dan menampilkan metrik untuk performa model vLLM.

Anda juga dapat melihat metrik dalam integrasi dasbor vLLM di Cloud Monitoring. Metrik ini diagregasi untuk semua deployment vLLM tanpa filter yang telah ditetapkan sebelumnya

vLLM mengekspos metrik dalam format Prometheus secara default; Anda tidak perlu menginstal pengekspor tambahan. Untuk mengetahui informasi tentang cara menggunakan Google Cloud Managed Service for Prometheus untuk mengumpulkan metrik dari model Anda, lihat vLLM vLLM dalam dokumentasi Cloud Monitoring.

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus resource yang di-deploy

Agar akun Anda tidak dikenai biaya untuk resource yang dibuat dalam panduan ini, jalankan perintah berikut: Cloud de Confiance 

gcloud container clusters delete CLUSTER_NAME \
    --location=REGION

Ganti nilai berikut:

  • REGION: region cluster Anda.
  • CLUSTER_NAME: nama cluster Anda.

Langkah berikutnya