moyixin/rtos_llm_opt
1
0
Fork 0
forked from eaiadmin/rtos_llm_opt
Code Pull Requests Activity
Files
main
rtos_llm_opt/FRAMEWORK.md
T
eaiadmin c03aff8faa Initial commit
2026-09-17 12:29:44 +08:00

11 KiB
Raw Permalink Blame History

RTOS 针对大模型运行的优化方向 — 整体研究框架

0. 核心问题

矛盾：RTOS追求确定性的微秒毫秒级延迟，而LLM推理是计算密集、耗时长（mss级）、内存大（GB级）的软实时负载。

目标：在资源受限的边缘/嵌入式场景中，设计RTOS调度器/运行时，管理LLM推理过程中的多源异构资源，确保推理过程的确定性、低延迟与能效。

这不是让RTOS"跑大模型"，而是用RTOS做"LLM推理资源的调度与协调"。

1. 问题空间：硬件平台全景

1.1 四层硬件抽象

┌───────────────────────────────────────────────────────────┐
│  Controller Layer (MCU/应用CPU)                            │
│  STM32H7 / ESP32-S3 / Cortex-M7 / RPi CM4                 │
│  目标：跑量化后的小模型（Qwen-1.5B INT4, Qwen2.5-0.5B）    │
│  RAM: 256KB~2MB, 主频: 400MHz~1GHz                       │
├───────────────────────────────────────────────────────────┤
│  SoC Layer (手机/车规SoC)                                  │
│  骁龙8 Gen / 天玑9300 / NXP i.MX93                        │
│  集成: CPU + NPU + GPU + ISP + DDR, 功耗: 3~15W          │
│  目标：跑500M~3B参数模型, 实时语音/对话                    │
├───────────────────────────────────────────────────────────┤
│  Edge AI Accelerator (边缘盒子)                            │
│  NVIDIA Jetson Orin / RK3588 / 地平线J5                    │
│  集成: CPU集群 + 专用NPU + 大DDR, 功耗: 15~60W            │
│  目标：跑7B~14B参数模型, 多模态推理                        │
├───────────────────────────────────────────────────────────┤
│  Server Layer (x86 / ARM Server)                           │
│  x86: Intel/AMD, ARM: Ampere/Graviton                      │
│  集成: 多Core + 多NPU/GPU + 大内存 + PCIe互联             │
│  目标：跑14B~72B+参数模型, 云端推理                        │
└───────────────────────────────────────────────────────────┘

1.2 各平台的关键约束

平台层级 内存带宽 加速设备 RTOS适配难度 核心挑战
MCU级 几十MB/s 无/简单DSP 低（RTOS成熟） 内存太小，模型必须极小
SoC级 几百MB/s NPU + GPU 中 NPU驱动不开放，NPU-ARM通信难
Edge盒子 GB/s级 专用NPU 中高 多NPU调度、PCIe延迟
Server级 数十GB/s 多GPU/NPU 高 NUMA、互联拓扑、调度粒度

2. 五层技术框架

┌───────────────────────────────────────────────────────────────┐
│  L5: 模型层 — Inference Engine                                │
│  Quantization | KV Cache Layout | Speculative Decode         │
│  目标：减少计算量、降低内存带宽需求                            │
├───────────────────────────────────────────────────────────────┤
│  L4: 运行时层 — Runtime & Scheduling                         │
│  Task Graph | Pipeline Parallel | Memory Pool | Preemption   │
│  目标：将LLM计算分解为RTOS可管理的task与事件                   │
├───────────────────────────────────────────────────────────────┤
│  L3: 资源抽象层 — Hardware Abstraction                       │
│  Accelerator Driver | DMA Engine | Memory Controller         │
│  目标：统一不同硬件的接口，暴露资源状态给调度器                 │
├───────────────────────────────────────────────────────────────┤
│  L2: 调度层 — RTOS Core                                       │
│  Priority Scheduling | EDF | Hybrid Scheduling | IRQ mgmt   │
│  目标：在保证硬实时约束的同时高效执行LLM推理                    │
├───────────────────────────────────────────────────────────────┤
│  L1: 硬件层 — SoC + Accelerator + Memory                    │
│  ARM/RISC-V | LPDDR | PCIe | NPU/GPU                        │
│  目标：理解硬件物理特性（缓存、带宽、拓扑）                     │
└───────────────────────────────────────────────────────────────┘

2.1 L5 → L4 的映射关系

LLM推理阶段              RTOS任务映射
──────────              ────────────
Tokenization           → Task A (低优先级, 可中断)
Embedding              → Task B (中优先级, 计算密集)
Attention KV Cache     → Task C (高优先级, 延迟敏感)
FFN                    → Task D (中优先级, 可pipeline)
Logits/Sample          → Task E (中优先级, 可并行)
Output decoding        → Task A (循环)

3. 六个核心优化方向

  方向1: 推理图任务调度                          ← 调度算法
  方向2: KV Cache 与内存管理                    ← 内存管理
  方向3: 加速器协同调度                          ← 资源协同
  方向4: 量化与精度感知调度                      ← 精度-调度联合优化
  方向5: 中断与实时响应                          ← 实时性保障
  方向6: 能耗与热管理                            ← 能效优化

每个方向的深入分析见对应子文档（01~06）。

4. 关键性能指标

4.1 延迟指标

指标 定义 优化手段
TTFT (Time to First Token) 输入到第一个输出token的时间 预计算embedding、Attention优先级提升
TPOT (Time per Output Token) 每个输出token的平均生成时间 KV Cache池化、流水线并行
Tail Latency P99 99%请求的端到端延迟 减少context switch、避免priority inversion
WCL (Worst-Case Latency) 硬实时约束下的最大可接受延迟 WCET分析、hybrid scheduling

4.2 资源指标

指标 定义 优化手段
Memory Bandwidth Utilization DDR带宽利用率 DMA offload、带宽感知调度
Cache Hit Rate L1/L2 Cache命中率 Task pinning、数据局部性优化
NPU/GPU Utilization 加速器利用率 双缓冲、pipeline parallel
Power per Inference 每次推理的能耗 DVFS、idle-aware scheduling

4.3 实时性指标

指标 定义 优化手段
Jitter 延迟的方差 固定优先级、减少抢占
Preemption Overhead 上下文切换开销 减少task数量、pin核心
Blocking Time 低优先级被高优先级阻塞的时间 Priority inheritance protocol
Deadline Miss Ratio 错过截止时间的比例 EDF、adaptive priority boost

5. 研究方法论

5.1 建模方法

LLM Inference Model:
  T_total = Σ(T_encode + T_decode_i) for i = 1..N_tokens
  T_encode = T_tokenizer + T_embedding + Σ(T_attention_l + T_ffn_l) for l = 1..N_layers

RTOS Scheduling Model:
  π(task) = priority(task)
  τ(task) = WCET(task)
  D(task) = deadline(task)
  R(task) = response_time(task) = τ(task) + Σ(interference_from_higher_priority_tasks)

5.2 分析工具链

  • WCET分析：RTA (Response Time Analysis)、FDAS (Full Demand Analysis for Arbitrary Scheduling)
  • 模拟平台：GEM5（全系统模拟）、NN-SIM（神经网络模拟）
  • 原型验证：FreeRTOS/Zephyr + 自定义调度器 patch
  • 性能分析：perf、ftrace、f2fs-trace、NPU profiler

5.3 评估流程

1. 基准测量：不同平台上的LLM推理profile（延迟、带宽、能耗）
2. 模型构建：将推理过程建模为RTOS任务图
3. 算法设计：针对识别到的瓶颈设计调度/内存/协同策略
4. 仿真验证：在模拟环境中验证理论分析
5. 原型实现：在真实RTOS上实现关键模块
6. 实测对比：优化前后指标对比

6. 与已有工作的关系

已有工作 差异点 本研究的独特贡献
vLLM / TGI (LLM Serving) 服务器级，无实时性保证 边缘/嵌入式场景，硬实时约束
Micro-LLM (TinyLLM) 模型压缩，不关注OS调度 从OS调度层优化推理延迟确定性
NPU SDK调度 封闭blackbox，不暴露接口 开放式RTOS集成，可分析可证明
CUDA Stream (GPU) 无实时性分析，非抢占式 RTOS可抢占、WCET可证明

7. 文档结构索引

文档 内容
01-inference-scheduling.md 推理图任务分解与混合调度算法
02-kv-cache-memory.md KV Cache内存池与带宽竞争管理
03-accelerator-collab.md CPU+NPU流水线协同与异步调度
04-quantization-scheduling.md 量化精度感知的调度策略
05-irq-realtime.md 中断管理与实时性保障
06-power-thermal.md 能耗感知调度与热管理
07-analysis-methods.md 方法论与评估工具链

8. 预期研究成果

  1. 理论：LLM推理任务的实时性建模与调度分析理论
  2. 算法：针对嵌入式场景的LLM推理调度算法（至少2种：hybrid-priority + EDF）
  3. 系统：基于FreeRTOS/Zephyr的LLM推理调度原型系统
  4. 数据：不同平台上的LLM推理profile数据集
  5. 论文：针对RTSS、RTAS、ISLPED等实时系统的论文

最后更新: 2026-09-17

View Git Blame Copy Permalink