🏗️ 一、整体架构拓扑（生产级）

✅ 核心原则：

• GPU 资源隔离：专用 GPU 节点池 + taint/toleration
• 零信任网络：服务间 mTLS（Istio）
• 模型不可变：Docker 镜像封装量化模型
• 全链路可观测：指标 + 日志 + 链路追踪

🧱 二、详细部署步骤

1. 基础设施准备

Kubernetes 集群要求：

• 版本：v1.26+
• GPU 节点池：
  • 实例类型：g5.2xlarge（1×A10）或 p4d.24xlarge（8×A100）
  • 标签：node.kubernetes.io/gpu-type=A10
  • Taint：dedicated=gpu:NoSchedule
• 安装组件：
  • NVIDIA Device Plugin
  • DCGM Exporter（GPU 监控）
  • Istio（1.22+，启用 mTLS）

2. 构建 vLLM 生产镜像（含量化模型）

Dockerfile（Qwen-7B-AWQ 示例）：

FROM nvidia/cuda:12.1-runtime-ubuntu22.04

# 安装依赖
RUN apt update && apt install -y python3-pip git
RUN pip install --no-cache-dir vllm==0.4.3 modelscope==1.14.0

# 复制 AWQ 量化模型（由 CI 流水线生成）
COPY ./models/qwen/Qwen-7B-Chat-AWQ /models/qwen-7b-chat-awq

# 非 root 运行
RUN useradd -m -u 1001 vllm && chown -R vllm:vllm /models
USER 1001

EXPOSE 8000

CMD ["python", "-m", "vllm.entrypoints.openai.api_server", \
     "--model", "/models/qwen-7b-chat-awq", \
     "--trust-remote-code", \
     "--dtype", "auto", \
     "--max-model-len", "8192", \
     "--gpu-memory-utilization", "0.92", \
     "--port", "8000"]

🔑 关键参数说明：

• –trust-remote-code：Qwen/ChatGLM 必须
• –gpu-memory-utilization=0.92：避免 OOM
• –max-model-len=8192：支持长上下文

构建并推送：

docker build -t harbor.internal/llm/vllm-qwen-7b-awq:v1.0 .
docker push harbor.internal/llm/vllm-qwen-7b-awq:v1.0

3. Kubernetes 部署（KServe + HPA）

KServe InferenceService YAML：

# vllm-qwen-isvc.yaml
apiVersion: serving.kserve.io/v1beta1
kind: InferenceService
metadata:
  name: qwen-7b-vllm
  namespace: llm-prod
spec:
  predictor:
    minReplicas: 3
    maxReplicas: 20
    scaleMetric: concurrency  # 基于并发请求数扩缩容
    containers:
      - name: kserve-container
        image: harbor.internal/llm/vllm-qwen-7b-awq:v1.0
        resources:
          limits:
            nvidia.com/gpu: 1
            memory: 32Gi
            cpu: "8"
          requests:
            nvidia.com/gpu: 1
            memory: 16Gi
            cpu: "4"
        ports:
          - containerPort: 8000
        livenessProbe:
          httpGet: { path: /health, port: 8000 }
          initialDelaySeconds: 120
        readinessProbe:
          httpGet: { path: /health, port: 8000 }
          initialDelaySeconds: 60
        volumeMounts:
          - name: model-cache
            mountPath: /models
    volumes:
      - name: model-cache
        persistentVolumeClaim:
          claimName: pvc-nfs-models  # NFS 共享存储（多副本共享模型）

GPU 指标 HPA（基于利用率）：

# hpa-gpu.yaml
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: qwen-7b-vllm-hpa
spec:
  scaleTargetRef:
    apiVersion: serving.kserve.io/v1beta1
    kind: InferenceService
    name: qwen-7b-vllm
  metrics:
  - type: Pods
    pods:
      metric:
        name: DCGM_FI_DEV_GPU_UTIL  # 来自 DCGM Exporter
      target:
        type: AverageValue
        averageValue: "70"  # GPU 利用率 70% 触发扩容
  minReplicas: 3
  maxReplicas: 20

💡 HPA 前提：已部署 Prometheus Adapter 将 GPU 指标暴露给 K8s

4. 网络与安全

Istio mTLS + 授权策略：

# peer-authentication.yaml
apiVersion: security.istio.io/v1beta1
kind: PeerAuthentication
metadata:
  name: default
spec:
  mtls:
    mode: STRICT  # 强制服务间 mTLS

# authorization-policy.yaml
apiVersion: security.istio.io/v1beta1
kind: AuthorizationPolicy
metadata:
  name: vllm-access
spec:
  selector:
    matchLabels:
      app: qwen-7b-vllm
  rules:
  - from:
    - source:
        principals: ["cluster.local/ns/llm-prod/sa/api-gateway"]

API Gateway 配置（Kong）：

• 插件：JWT 认证、限流（100 req/min）、CORS
• 路由：POST /v1/chat/completions → http://qwen-7b-vllm.llm-prod.svc:8000

5. 可观测性体系

Prometheus 指标（vLLM 自动暴露 /metrics）：

Grafana 仪表盘关键 Panel：

• 实时 QPS（按模型版本）
• 平均首 Token 延迟（TTFT）
• GPU 显存使用趋势
• 错误率（HTTP 5xx）

结构化日志（JSON）：

{
  "timestamp": "2025-12-05T10:00:00Z",
  "service": "qwen-7b-vllm",
  "request_id": "req-a1b2c3",
  "user_id": "user_123",
  "prompt_tokens": 128,
  "completion_tokens": 64,
  "total_time_ms": 185,
  "status_code": 200
}

🔒 日志脱敏：通过 Fluent Bit 过滤器移除 prompt/response 原文

6. 高可用与灾备

• 多可用区部署：GPU 节点分布在 2 个 AZ
• 模型缓存：NFS 或 EBS Multi-Attach（避免每次拉取模型）
• 蓝绿发布：通过 KServe Canary 流量切分（5% → 100%）
• 自动恢复：Pod Crash 后自动重建（K8s 自愈）

⚙️ 三、资源规划与成本（A10 GPU）

💡 成本优化：

• 使用 AWQ/GPTQ 量化：显存↓40%，单卡并发↑50%
• 夜间缩容至 0：KServe 支持 scale-to-zero
• Spot 实例：非核心服务（如 Embedding）使用 Spot

✅ 四、生产 Checklist

• 使用 量化模型（AWQ/GPTQ）降低显存
• 启用 --trust-remote-code（Qwen/ChatGLM 必须）
• GPU 节点 专用 taint/toleration
• 部署 DCGM Exporter + HPA
• 服务间 mTLS（Istio）
• 结构化日志 + 脱敏
• Grafana 监控 P99 延迟
• API Gateway 限流 + JWT
• 蓝绿发布流程

📦 五、交付物清单（可直接使用）

• Helm Chart：vllm-kservice（含 HPA/探针/卷挂载）
• Dockerfile 模板：支持 Qwen/Llama/Mistral
• Grafana Dashboard JSON：vLLM 专属监控
• Istio Policy 集：mTLS + RBAC
• 压测脚本：locust 模拟高并发对话

💡 最后建议：
不要直接使用裸 vLLM 进程部署——缺乏扩缩容、健康检查、服务发现。
生产首选 KServe / Triton + vLLM，已在阿里云百炼、AWS SageMaker 验证。