使用 LLM-D 安装
本指南提供了将 vLLM 语义路由 (vsr) 与 LLM-D 结合部署的分步说明。这也将说明一个关键设计模式，即使用 vsr 作为模型选择器，结合使用 LLM-D 作为端点选择器。
模型选择器提供将 LLM 查询路由到多个完全不同的 LLM 模型之一的能力，而端点选择器则选择多个端点之一，每个端点服务一个等效模型（通常是完全相同的基础模型）。因此，此部署展示了 vLLM 语义路由作为模型选择器如何与 LLM-D 等端点选择器解决方案完美互补。
由于 LLM-D 有多种部署配置，其中一些需要更大的硬件设置，我们将演示 LLM-D 与 vsr 配合工作的基线版本，以介绍核心概念。当使用更复杂的 LLM-D 配置和生产级良好路径时，这些核心概念同样适用，如 LLM-D 仓库中此链接所述。
此外，我们将使用 LLM-D 与 Istio 作为 Inference Gateway，以构建在本仓库中记录的 Istio 部署示例的步骤和硬件设置之上。无论是否使用 vsr，Istio 也常用作 LLM-D 的默认网关。
架构概览
部署包含以下组件：
- vLLM 语义路由：为基于 Envoy 的 Gateway 提供智能请求路由和处理决策
- LLM-D：用于大规模 LLM 推理的分布式推理平台，具有 SOTA 性能。
- Istio Gateway：Istio 的 Kubernetes Gateway API 实现，底层使用 Envoy 代理
- Gateway API Inference Extension：通过 ExtProc 服务器扩展 Gateway API 用于推理的附加 API
- 两个 vLLM 实例各服务一个模型：此拓扑中用于演示语义路由的示例后端 LLM
前置条件
开始之前，请确保已安装以下工具：
- Docker - 容器运行时
- minikube - 本地 Kubernetes
- kind - Kubernetes in Docker
- kubectl - Kubernetes CLI
- istioctl - Istio CLI
我们在下面的描述中使用 minikube。如上所述，本指南构建在本仓库的 vsr + Istio 部署指南之上，因此将参考该指南的公共部分并在此添加增量步骤。
与 Istio 指南一样，您需要一台至少有 2 个 GPU 支持的机器来运行本练习，以便我们可以部署并测试使用 vsr 在两个不同的 LLM 基础模型之间进行模型路由。
步骤 1：Istio 指南的公共步骤
首先，按照 Istio 指南中的步骤创建本地 minikube 集群。
步骤 2：安装 Istio Gateway、Gateway API、Inference Extension CRDs
完全按照 Istio 指南中的描述安装 Kubernetes Gateway API、Gateway API Inference Extension、Istio 控制平面和 Istio Gateway 实例的 CRDs。使用该指南中记录的相同版本的 Istio。如果您按照 LLM-D 的良好路径，这部分将由 LLM-D 仓库中的 Gateway 提供商 Helm charts 完成。在本指南中，我们手动设置这些以保持与本仓库 Istio 指南的通用性和可重用性。这也将帮助读者理解基于 GIE/EPP 的部署和基于 LLM-D 的部署之间的共同点，以及 vsr 如何在两种情况下使用。
如果正确安装，您应该使用以下命令看到 gateway api 和 inference extension 的 api CRDs 以及 Istio gateway 和 Istiod 的运行 pods。
kubectl get crds | grep gateway
kubectl get crds | grep inference
kubectl get pods | grep istio
kubectl get pods -n istio-system
步骤 3：部署 LLM 模型
现在与 Istio 指南文档类似部署两个 LLM 模型。注意从清单文件名称可知，这些示例命令要从仓库的顶层文件夹执行。LLM-D 部署文档中此步骤的对应部 分是 LLM-D Model Service 的设置。为简单起见，本指南不需要 LLM-D Model service。
kubectl create secret generic hf-token-secret --from-literal=token=$HF_TOKEN
# 创建运行 llama3-8b 的 vLLM 服务
kubectl apply -f deploy/kubernetes/istio/vLlama3.yaml
第一次运行时可能需要几分钟（10+）来下载模型，直到运行此模型的 vLLM pod 处于 READY 状态。同样地部署第二个 LLM (phi4-mini) 并等待几分钟直到 pod 处于 READY 状态。
# 创建运行 phi4-mini 的 vLLM 服务
kubectl apply -f deploy/kubernetes/istio/vPhi4.yaml
完成后，您应该能够使用以下命令看到两个 vLLM pod 都处于 READY 状态并正在服务这些 LLM。您还应该看到 Kubernetes 服务暴露了这些模型服务的 IP/端口。在下面的示例中，llama3-8b 模型通过服务 IP 为 10.108.250.109 和端口 80 的 kubernetes 服务提供服务。
# 验证运行两个 LLM 的 vLLM pod 处于 READY 状态并正在服务
kubectl get pods
NAME READY STATUS RESTARTS AGE
llama-8b-57b95475bd-ph7s4 1/1 Running 0 9d
phi4-mini-887476b56-74twv 1/1 Running 0 9d
# 查看这些模型服务的 Kubernetes 服务 IP/端口
kubectl get service
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
kubernetes ClusterIP 10.96.0.1 <none> 443/TCP 36d
llama-8b ClusterIP 10.108.250.109 <none> 80/TCP 18d
phi4-mini ClusterIP 10.97.252.33 <none> 80/TCP 9d
步骤 4：部署 InferencePools 和 LLM-D 调度器
LLM-D（和 Kubernetes IGW）使用一个名为 InferencePool 的 API 资源，以及一个调度器（称为 LLM-D 推理调度器，有时也等效地称为 EndPoint Picker/EPP）。
部署提供的清单以创建与本练习中使用的 2 个基础 模型对应的 InferencePool 和 LLM-D 推理调度器。
为了展示模型选择和端点选择的完整组合，通常需要至少 2 个 inferencepools，每个池至少有 2 个端点。由于这需要 4 个 vllm 服务 pods 实例和 4 个 GPU，这需要更复杂的硬件设置。本指南在两个 InferencePools 中各部署 1 个模型端点，以展示 vsr 的模型选择与 LLM-D 调度器的端点选择配合工作并相互补充的核心设计。
# 为 Llama3-8b 模型创建 LLM-D 调度器和 InferencePool
kubectl apply -f deploy/kubernetes/llmd-base/inferencepool-llama.yaml
# 为 phi4-mini 模型创建 LLM-D 调度器和 InferencePool
kubectl apply -f deploy/kubernetes/llmd-base/inferencepool-phi4.yaml
步骤 5：LLM-D 连接的额外 Istio 配置
添加 DestinationRule 以允许每个 EPP/LLM-D 调度器使用无 TLS 的 ExtProc（当前 Istio 限制）。
# Llama3-8b 池调度器的 Istio destinationrule
kubectl apply -f deploy/kubernetes/llmd-base/dest-rule-epp-llama.yaml
# phi4-mini 池调度器的 Istio destinationrule
kubectl apply -f deploy/kubernetes/llmd-base/dest-rule-epp-phi4.yaml
步骤 6：更新 vsr 配置
由于本指南基于使用与 Istio 指南相同的后端模型，我们将重用该指南中的相同 vsr 配置，因此您不需要更新文件 deploy/kubernetes/istio/config.yaml。如果您在 LLM-D 部署中使用不同的后端模型，则需要更新此文件。
步骤 7：部署 vLLM 语义路由
部署包含所有必需组件的语义路由服务：
# 使用 Kustomize 部署语义路由
kubectl apply -k deploy/kubernetes/istio/
# 等待部署就绪（模型下载可能需要几分钟）
kubectl wait --for=condition=Available deployment/semantic-router -n vllm-semantic-router-system --timeout=600s
# 验证部署状态
kubectl get pods -n vllm-semantic-router-system
步骤 6：VSR 连接的额外 Istio 配置
安装 Istio gateway 使用 ExtProc 接口与 vLLM 语义路由所需的 destinationrule 和 envoy filter。
kubectl apply -f deploy/kubernetes/istio/destinationrule.yaml
kubectl apply -f deploy/kubernetes/istio/envoyfilter.yaml
步骤 7：安装 gateway 路由
在 Istio gateway 中安装 HTTPRoutes。注意这里与之前的 vsr + istio 指南中使用的 http 路由有一个区别，这里基于路由匹配的 backendRefs 指向 InferencePools，而 InferencePools 又指向这些池的 LLM-D 调度器，而不是 backendRefs 指向模型的 vllm 服务端点，如不带 llm-d 的 istio 指南中所做的那样。
kubectl apply -f deploy/kubernetes/llmd-base/httproute-llama-pool.yaml
kubectl apply -f deploy/kubernetes/llmd-base/httproute-phi4-pool.yaml
步骤 8：测试部署
要将 Istio gateway 监听集群外客户端请求的 IP 暴露出来，您可以选择任何标准的 kubernetes 外部负载均衡选项。我们通过部署和配置 metallb 到集群中作为 LoadBalancer 提供商来测试我们的功能。如有需要，请参阅 metallb 文档了解安装过程。最后，对于 minikube 情况，我们如下获取外部 url。
minikube service inference-gateway-istio --url
http://192.168.49.2:32293
现在我们可以通过 curl 向 http://192.168.49.2:32293 发送 LLM 提示词，访问 Istio gateway，然后使用 vLLM 语义路由的信息动态路由到我们在本例中作为后端使用的两个 LLM 之一。使用您从 "minikube service" 命令输出中获得的端口号在下面的 curl 示例中。
发送测试请求
尝试以下有和没有模型 "auto" 选择的情况，以确认 Istio + vsr 能够将查询路由到适当的模型。查询响应将包含用于服务该请求的模型信息。
示例查询包括以下
# 显式提供模型名称 llama3-8b，不更改模型，发送到 llama EPP 进行端点选择
curl http://192.168.49.2:32293/v1/chat/completions -H "Content-Type: application/json" -d '{
"model": "llama3-8b",
"messages": [
{"role": "user", "content": "Linux is said to be an open source kernel because "}
],
"max_tokens": 100,
"temperature": 0
}'
# 模型名称设置为 "auto"，应分类为 "computer science" 并路由到 llama3-8b
curl http://192.168.49.2:32293/v1/chat/completions -H "Content-Type: application/json" -d '{
"model": "auto",
"messages": [
{"role": "user", "content": "Linux is said to be an open source kernel because "}
],
"max_tokens": 100,
"temperature": 0
}'
# 显式提供模型名 称 phi4-mini，不更改模型，发送到 phi4-mini EPP 进行端点选择
curl http://192.168.49.2:32293/v1/chat/completions -H "Content-Type: application/json" -d '{
"model": "phi4-mini",
"messages": [
{"role": "user", "content": "2+2 is "}
],
"max_tokens": 100,
"temperature": 0
}'
# 模型名称设置为 "auto"，应分类为 "math" 并路由到 phi4-mini
curl http://192.168.49.2:32293/v1/chat/completions -H "Content-Type: application/json" -d '{
"model": "auto",
"messages": [
{"role": "user", "content": "2+2 is "}
],
"max_tokens": 100,
"temperature": 0
}'
故障排除
基本 Pod 验证
如果您遵循了上述步骤，您应该看到类似下面的 pods 处于 READY 状态作为快速初始验证。这些包括 LLM 模型 pods、Istio gateway pod、LLM-D/EPP 调度器 pods、vsr pod 和 istiod controller pod，如下所示。您还应该看到 InferencePools 和 HTTPRoute 实例，如下所示，状态显示路由处于 resolved 状态。
$ kubectl get pods -n default
NAME READY STATUS RESTARTS AGE
inference-gateway-istio-6fc8864bfb-gbcz8 1/1 Running 0 14h
llama-8b-6558848cc8-wkkxn 1/1 Running 0 3h26m
phi4-mini-7b94bc69db-rnpkj 1/1 Running 0 17h
vllm-llama3-8b-instruct-epp-7f7ff88677-j7lst 1/1 Running 0 134m
vllm-phi4-mini-epp-6f5dd6bbb9-8pv27 1/1 Running 0 14h
$ kubectl get pods -n vllm-semantic-router-system
NAME READY STATUS RESTARTS AGE
semantic-router-bf6cdd5b9-t5hpg 1/1 Running 0 5d23h
$ kubectl get pods -n istio-system
NAME READY STATUS RESTARTS AGE
istiod-6f5ccc65c-vnbg5 1/1 Running 0 15h
$ kubectl get inferencepools
NAME AGE
vllm-llama3-8b-instruct 139m
vllm-phi4-mini 15h
$ kubectl get httproutes
NAME HOSTNAMES AGE
vsr-llama8b 13h
vsr-phi4-mini 13h
$ kubectl get httproute vsr-llama8b -o yaml | grep -A 1 "reason: ResolvedRefs"
reason: ResolvedRefs
status: "True"
常见问题
Gateway/前端无法工作：
# 检查 istio gateway 状态
kubectl get gateway
# 检查 istio gw 服务状态
kubectl get svc inference-gateway-istio
# 检查 Istio 的 Envoy 日志
kubectl logs deploy/inference-gateway-istio -c istio-proxy
语义路由无响应或路由不正确：
# 检查语义路由 pod
kubectl get pods -n vllm-semantic-router-system
# 检查语义路由服务
kubectl get svc -n vllm-semantic-router-system
# 检查语义路由日志
kubectl logs -n vllm-semantic-router-system deployment/semantic-router
清理
# 删除语义路由
kubectl delete -k deploy/kubernetes/istio/
# 删除 Istio
istioctl uninstall --purge
# 删除 LLMs
kubectl delete -f deploy/kubernetes/istio/vLlama3.yaml
kubectl delete -f deploy/kubernetes/istio/vPhi4.yaml
# 停止 minikube 集群
minikube stop
# 删除 minikube 集群
minikube delete
后续步骤
- 测试/尝试 vLLM 语义路由的不同功能
- 测试/尝试更复杂的 LLM-D 配置和良好路 径
- 设置监控和可观测性
- 实施身份验证和授权
- 为生产工作负载扩展语义路由部署