1 概述

浪潮信息KOS是浪潮信息基于Linux Kernel、OpenAnolis等开源技术自主研发的一款服务器操作系统，支持x86、ARM等主流架构处理器，性能和稳定性居于行业领先地位，具备成熟的 CentOS 迁移和替换能力，可满足云计算、大数据、分布式存储、人工智能、边缘计算等应用场景需求。详细介绍见官网链接https://www.ieisystem.com/kos/product-kos-xq.thtml?id=12126

vLLM是一种用于大规模语言模型（LLM）推理的框架，旨在提高模型的吞吐量和降低延迟。vLLM通过优化内存管理和调度策略，显著提升了模型在高并发场景下的性能。vLLM利用了一种名为PagedAttention的注意力机制，该机制借鉴了虚拟内存和分页技术，以减少缓存内存（KV Cache）的浪费，并允许在请求之间灵活共享KV缓存。这种设计使得vLLM在保持与现有系统相同延迟水平的情况下，能够将吞吐量提高2到4倍。官方网址：https://www.vllm.ai

2 环境准备

操作系统版本：KOS 5.8 sp2u1(5.10.134-17.2.2.kos5.x86_64)

测试架构：x86_64，96核1TB物理机

显卡：NVIDIA Tesla V100s * 2

3 部署安装

3.1 安装docker

执行yum install docker –y 安装docker服务

执行systemctl start docker启动docker服务

3.2 下载vllm镜像

执行 docker pull vllm/vllm-openai:latest

可能会遇到下载失败或者速度较慢的情况，推荐使用国内源下载，例如：

docker pull docker.1ms.run/vllm/vllm-openai:latest

3.3 下载deepseek模型到本地服务器

国内推荐从HF-Mirror：https://hf-mirror.com上下载deepseek模型：

将下载好的模型拷贝到服务器空间较大的磁盘目录，推荐放到固态硬盘上，可以提高模型加载速度，例如：

3.4 运行vllm容器

创建容器：

docker run --name ds-vllm-test --gpus all -ti --privileged -v /root/:/workspace -v /data/:/data --ipc=host -p 8090:8090 --security-opt seccomp=unconfined --entrypoint /bin/sh docker.1ms.run/vllm/vllm-openai:latest

其中：

参数	作用	说明
​--name ds-vllm-test	容器命名	指定容器名称为 ds-vllm-test，便于后续管理（如 docker stop ds-vllm-test）。
​--gpus all	GPU支持	允许容器访问宿主机所有GPU
-ti	分配伪终端并交互式运行	-t 分配终端，-i 保持交互
​--privileged	特权模式	赋予容器几乎与宿主机相同的权限（可访问所有设备，慎用）。适合需要深度系统控制的场景。
​-v /root/:/workspace	挂载卷	将宿主机的 /root/ 目录挂载到容器的 /workspace，实现文件共享。
​-v /data/:/data	挂载卷	将宿主机的 /data/ 目录挂载到容器的 /data。
​--ipc=host	IPC命名空间共享	容器与宿主机共享进程间通信（IPC）命名空间，常用于多进程高性能应用（如共享内存）。
​-p 8090:8090	端口映射	将容器的 8090 端口映射到宿主机的 8090 端口，允许外部访问容器服务。
​--security-opt seccomp=unconfined	禁用安全限制	关闭容器的默认安全策略（seccomp），提升容器权限（可能降低安全性）。
​--entrypoint /bin/sh	覆盖入口点	将容器默认启动命令替换为 /bin/sh，直接进入交互式Shell（而非镜像定义的默认命令）。
​docker.1ms.run/vllm/vllm-openai:latest	镜像地址	指定使用的容器镜像

输入exit退出交互页面，然后执行docker start ds-vllm-test 启动容器：

进入容器：

docker exec -it ds-vllm-test bash

3.5 运行deepseek推理服务

执行命令：

vllm serve "/data/ssdmodels/DeepSeek-R1-Distill-Llama-8B" --max-model-len 4096 --tensor-parallel-size 2 --port 8090 --dtype half --served-model-name DeepSeek-R1-Distill-Llama-8B

其中：

参数	作用	深度学习场景下的关键意义	推荐值/选项
​/data/ssdmodels/DeepSeek-R1-Distill-Llama-8B	模型路径	支持HuggingFace模型ID（如facebook/opt-1.3b）或本地路径（需为绝对路径）。	必填
​--max-model-len 4096	最大序列长度	控制模型处理的上下文大小（token数），直接影响显存占用。	需根据模型训练长度和GPU显存调整（如7B模型通常设2048-4096）
​--tensor-parallel-size 2	张量并行GPU数	将模型参数拆分到多张GPU（如2卡并行推理8B模型）。	必须≤可用GPU数，8B模型建议2-4卡
​--port 8090	服务监听端口	指定API服务的HTTP端口（默认8000），需与Docker映射端口一致。	避免使用知名端口（如80/443）
​--dtype half	计算数据类型	half表示FP16精度（省显存），float为FP32（更精确但显存翻倍）。	大多数GPU推荐half（A100/H100支持bfloat16）
​--served-model-name DeepSeek-R1-Distill-Llama-8B	服务暴露的模型名称	客户端通过此名称访问模型（如API路径/v1/models/DeepSeek-R1-Distill-Llama-8B）。	建议与模型实际名称一致

显示上图所示表示推理服务已启动成功。

3.6 访问推理服务

另起一个shell窗口，执行命令：

curl http://localhost:8090/v1/completions \ -H "Content-Type: application/json" \ -d '{ "model": "DeepSeek-R1-Distill-Llama-8B", "prompt": "介绍下deepseek", "max_tokens": 100, "temperature": 0 }'