sskj/experiments/h200/dsv4_h200_vllm_tp8_custom_bench

dsv4_h200_vllm_tp8_custom_bench

目的

当 vLLM 使用 TP=8（Tensor Parallel = 8）部署时，单张 H200 上运行 1 个服务，独占全部 8 张 GPU：

服务	端口	GPU 组
1	30005	0, 1, 2, 3, 4, 5, 6, 7

TP=8 提供最大的单服务 tensor-parallel 宽度，适合极高并发、大 batch 场景。本实验使用 自定义压测客户端 bench_client.py，直接调用 OpenAI /v1/chat/completions API。

与多服务方案的区别

特性	TP=2 (4 服务)	TP=4 (2 服务)	TP=8 (1 服务)
服务数量	4	2	1
每服务 GPU	2	4	8
单服务吞吐	较低	中等	最高
集群总吞吐	相近	相近	相近
适用场景	低并发、低延迟	中等并发	极高并发、大 batch

文件说明

文件	说明
bench_client.py	自定义异步压测客户端（复用 TP=2/TP=4 版本）
config.env	实验配置（单服务、端口 30005）
run_bench.sh	编排脚本：启动 1 个服务 → 运行压测 → 解析结果
start_server.sh	启动 1 个 vLLM TP=8 服务（占用全部 8 GPU）
parse_results.py	解析 bench_client.py 输出的 JSONL，生成 results.json + report.md

快速运行

# 完整流程（自动启动服务、压测、生成报告）
bash experiments/dsv4_h200_vllm_tp8_custom_bench/run_bench.sh

# 跳过服务管理（已有服务在运行）
SKIP_MANAGE_SERVER=1 bash experiments/dsv4_h200_vllm_tp8_custom_bench/run_bench.sh

# 单独运行压测客户端（单服务）
python3 experiments/dsv4_h200_vllm_tp8_custom_bench/bench_client.py \
  --host 127.0.0.1 --port 30005 \
  --model deepseek-v4-flash \
  --concurrency 32 --input-len 512 --output-len 256 --num-prompts 640 \
  --output-file /tmp/test.jsonl

# 解析已有结果
python3 experiments/dsv4_h200_vllm_tp8_custom_bench/parse_results.py \
  experiments/dsv4_h200_vllm_tp8_custom_bench/results/<RUN_ID>

场景设计

本实验覆盖了从 单并发 到 128 并发 的梯度，以及不同输入/输出长度组合：

并发	输入长度	输出长度	请求数	说明
1	512	256	20	单并发基线，测纯延迟
2	512	256	40	低并发
4	512	256	80	中低并发
8	512	256	160	中等并发
16	512	256	320	中高并发
32	512	256	640	高并发
64	512	256	1280	很高并发
128	512	256	2560	极限并发，测吞吐上限
1	2048	512	20	长输入基线
8	2048	512	160	长输入中并发
32	2048	512	640	长输入高并发
128	2048	512	2560	长输入极限并发
1	4096	1024	20	超长输入基线
8	4096	1024	160	超长输入中并发
32	4096	1024	640	超长输入高并发
128	4096	1024	2560	超长输入极限并发

输出格式

同 TP=2/TP=4 版本，输出 JSONL 原始数据、results.json 结构化结果、report.md 人类可读报告。

单独启动/停止服务

# 启动服务
bash experiments/dsv4_h200_vllm_tp8_custom_bench/start_server.sh

# 停止（run_bench.sh 会自动停止，但也可以手动）
port=30005
pid_file="experiments/dsv4_h200_vllm_tp8_custom_bench/server_port${port}.pid"
[[ -f "$pid_file" ]] && kill "$(cat "$pid_file")" 2>/dev/null || true
rm -f "$pid_file"
pkill -9 -f "vllm serve.*DeepSeek-V4-Flash" 2>/dev/null || true

注意事项

• 服务独占全部 8 张 GPU，确保无其他进程占用 GPU。
• 模型文件路径：/data/models/DeepSeek-V4-Flash
• TP=8 相比 TP=2/TP=4 单服务延迟最低，但无法通过多服务并行提升低并发下的集群利用率。
• 健康检查依赖 /health 端点（vLLM 默认启用）。
• 如果服务频繁崩溃，检查 GPU 显存是否充足（OOM 是最常见原因）。