基于计算均衡的联合优化

通过分析专家激活数据，华为团队识别出高频调用的专家（热专家）和低频调用的专家（冷专家），并提出了一种基于计算均衡的联合优化算法OmniPlacement。该算法根据专家调用频率和计算需求优化部署顺序，显著降低负载不均现象。具体而言，该算法具有以下特点：

动态优先级调整：通过实时统计专家调用频率，动态调整专家的优先级和节点分配，确保高频专家优先部署在计算能力较强的节点上。

通信域优化：算法分析批次内激活卡数，优化跨节点通信域的范围，减少通信延迟。相比传统的静态分配方法，本算法显著降低了通信开销。

层间差异化部署：允许不同层根据负载特性设置不同的专家部署策略，支持非均匀冗余次数配置，从而更好地适应层间负载差异。

层间高频专家冗余部署

为缓解热专家的高频调用压力，华为团队还提出了一种层间专家冗余部署策略，通过为高频调用专家分配额外的冗余实例，降低跨节点通信开销，从而提升系统吞吐量。该策略的创新点包括：

动态资源分配：根据实时计算资源占用情况和专家调用频率，动态调整冗余实例的分配比例。系统通过预测模型提前分配资源，减少冷热专家间的性能差距。

层间差异化配置：不同层根据负载需求设置不同的冗余次数，增强对层间负载差异的适应能力。例如，高负载层可分配更多的冗余实例，而低负载层则减少冗余以节省显存。

预测性分配：结合历史激活数据和负载预测模型，系统能够提前优化资源分配，降低突发负载对系统性能的影响。

近实时调度与动态监控机制

为进一步提升系统的动态适应性，本研究设计了一套近实时调度与动态监控机制，具体包括以下子模块：

近实时调度：通过实时统计数据流特性，动态调整专家分配以适应输入数据的变化。调度算法能够在毫秒级时间内收敛到优化的静态专家部署模式，确保推理过程的高效性和一致性。该机制通过迭代优化专家分配，显著降低了动态调整的计算开销。

动态监控：实时跟踪专家激活数据和系统资源占用情况，为调度决策提供准确依据。监控任务在独立的计算流中运行，避免对推理主流程的干扰，保障系统整体效率。

动态专家权重访问与摆放：通过层间流水线设计，实现专家权重和分配的动态调整。系统在推理过程中并行处理权重更新和数据流分配，支持高效的专家动态摆放。流水线设计允许在不中断推理流程的情况下完成权重调整，显著降低高负载场景下的推理延迟。

上述机制通过高效的并行处理和快速收敛设计，显著提升了系统的动态适应能力和推理性能。特别是动态监控与调度分离的设计，避免了监控任务对推理延迟的潜在影响，进一步增强了系统的鲁棒性。

拥抱开源生态的开放实现

为支持上述技术的稳定运行，本研究开发了适用于vLLM的推理优化框架OmniPlacement，具有以下核心特点：

高兼容性：框架支持多种MoE模型架构，能够无缝集成到现有的推理系统中。

低时延开销：通过优化数据处理和调度流程，框架显著减少了额外计算开销，确保推理性能不受影响。

模块化设计：框架包含数据统计、算法运行和专家调度三大模块，各模块功能解耦，支持功能扩展和维护。模块化设计便于快速迭代和定制化开发。

可扩展性：框架支持动态添加新的负载均衡算法和调度策略，适应未来MoE模型的复杂需求。

OmniPlacement通过模块化架构实现核心算法与推理流程的解耦，为大规模MoE模型推理提供了可靠的基础设施。框架的设计理念是将负载均衡功能与推理主流程分离，从而在保证性能的同时提供高度的灵活性。

同时在OmniPlacement的开发过程中，华为团队也应用了业界很多已有的开源最佳实践，站在巨人的肩膀上，华为团队也会在近期全面开源OmniPlacement，回馈开源社区与开发者，为未来前行者在昇腾搭建更好的一个阶梯。

图：OmniPlacement与基线和BestEP的性能对比

为验证OmniPlacement方案的有效性，本研究在DeepSeek-V3模型上进行了全面的实验测试，实验环境包括多节点GPU集群和高并发推理场景。测试结果如下：

推理延迟：相比基线方法（未优化负载均衡的MoE模型），推理延迟平均降低约10%。延迟的减少主要得益于动态专家分配和通信域优化，显著改善了用户体验。

吞吐量：系统吞吐量提升约10%，反映了资源利用率的显著提高。特别是在高并发场景下，冗余部署和动态调度有效缓解了负载瓶颈。

系统稳定性：在动态输入和高负载场景下，系统保持高效运行，未出现性能波动或服务中断。动态监控机制确保了系统对突发负载的快速响应。

进一步的分析表明，OmniPlacement在不同规模的MoE模型和输入数据分布下均表现出良好的适应性。实验结果验证了该方案在推理性能、资源利用率和系统稳定性方面的综合优势，为大规模MoE模型的实际部署提供了可靠支持。

写在最后

面向未来，华为团队进一步的研究将重点关注以下方向：

调度算法优化：开发更智能的调度算法，通过引入其他策略，进一步提升系统对复杂输入的自适应能力。

自适应专家选择：探索基于输入特征的自适应专家选择机制，动态调整专家激活策略，以应对多样化的推理场景。

框架扩展：扩展OmniPlacement框架的功能，支持更多类型的MoE模型，提升框架的通用性。

华为OmniPlacement 专家部署技术的发布，不仅是 MoE 模型推理性能的一次突破性提升，更标志着昇腾计算体系在 AI 算力领域的竞争力再攀高峰。这种技术突破背后，是华为长期深耕芯片架构、算法、软件生态与行业场景的厚积薄发。