vLLM 내부 구조: 고처리량 LLM 추론 시스템 분석 (2025)
최신 고처리량 LLM 추론 엔진인 vLLM의 핵심 아키텍처와 작동 원리를 심층 분석한 글입니다. 스케줄링, 페이징 어텐션(paged attention) 등 엔진의 기본 구조부터 고급 기능까지 다루어 개발자가 시스템의 전체적인 동작 원리를 이해할 수 있게 돕습니다. AI 서버 운영 및 최적화에 필수적인 vLLM의 구조를 파악하는 데 매우 유용한 자료입니다.
이 글에서는 현대의 고처리량 LLM 추론 시스템을 구성하는 모든 핵심 시스템 컴포넌트와 고급 기능들을 단계적으로 소개할 것입니다. 특히 vLLM [1]이 어떻게 작동하는지 상세히 분석해 보겠습니다. 이 글은 시리즈의 첫 번째 글입니다. 전체적인 개요를 먼저 설명한 뒤 점차 구체적인 디테일을 덧붙이는 방식(역피라미드 방식)으로 진행되므로, 사소한 디테일에 파묻히지 않고 전체 시스템에 대한 정확하고 높은 수준의 멘탈 모델을 구축할 수 있습니다. 다음 글들에서는 특정 하위 시스템들을 더 깊이 파고들 예정입니다.
이 글은 5개의 파트로 구성되어 있습니다:
- LLM 엔진 및 엔진 코어: vLLM의 기본 요소 (스케줄링, 페이징 어텐션(paged attention), 연속 배칭(continuous batching) 등)
- 고급 기능: 청크 단위 프리필(chunked prefill), 접두사 캐싱(prefix caching), 가이드 및 추측 디코딩(guided & speculative decoding), 분리된 P/D(disaggregated P/D)
- 스케일 업: 단일 GPU에서 다중 GPU 실행으로의 확장
- 서빙 계층: 분산/동시 웹 스캐폴딩
- 벤치마크 및 자동 튜닝: 지연 시간 및 처리량 측정
📝 참고 사항 이 분석은 2025년 8월 9일 커밋 42172ad를 기준으로 작성되었습니다. 대상 독자: 최신 LLM 엔진의 작동 원리가 궁금한 사람, 그리고 vLLM, SGLang 등에 기여하는 데 관심이 있는 분들. 이 글에서는 V1 엔진에 초점을 맞출 것입니다. 프로젝트가 어떻게 발전해 왔는지 이해하는 데 V0(현재는 사용 중단됨)를 함께 살펴보았으며, 많은 개념이 여전히 유효합니다. 첫 번째 섹션인 'LLM 엔진 / 엔진 코어'는 다소 압도적이고 지루할 수 있지만, 나머지 블로그에는 풍부한 예시와 시각 자료가 준비되어 있습니다. :)
LLM 엔진 및 엔진 코어
LLM 엔진은 vLLM의 근본적인 빌딩 블록입니다. 이것만으로도 이미 고처리량 추론을 가능하게 하지만, 이는 오직 오프라인 환경에서만 해당됩니다. 아직 웹을 통해 고객에게 서비스할 수는 없습니다.
다음 오프라인 추론 코드 스니펫을 실행 예제로 사용하겠습니다(basic.py에서 변형됨).
from vllm import LLM , SamplingParams prompts = [ "Hello, my name is" , "The president of the United States is" , ] sampling_params = SamplingParams ( temperature = 0.8 , top_p = 0.95 ) def main ( ) : llm = LLM ( model = "TinyLlama/TinyLlama-1.1B-Chat-v1.0" ) outputs = llm . generate ( prompts , sampling_params ) if name == "main" : main ( )
📝 환경 변수: VLLM_USE_V1="1" # V1 엔진을 사용 중 VLLM_ENABLE_V1_MULTIPROCESSING="0" # 단일 프로세스로 실행 중
이 설정은 다음과 같습니다:
- 오프라인 (웹/분산 시스템 스캐폴딩 없음)
- 동기식 (모든 실행은 단일 차단 프로세스에서 발생)
- 단일 GPU (데이터/모델/파이프라인/전문가 병렬화 없음; DP/TP/PP/EP = 1)
- 표준 트랜스포머 사용 [2] (Jamba와 같은 하이브리드 모델을 지원하려면 더 복잡한 하이브리드 KV-캐시 메모리 할당자가 필요함)
이후 이 예제에서 시작하여 점차 온라인, 비동기, 다중 GPU, 다중 노드 추론 시스템으로 발전시켜 나갈 것입니다. (하지만 여전히 표준 트랜스포머를 서빙한다고 가정합니다)
이 예제에서는 두 가지 작업을 수행합니다:
- 엔진 인스턴스화
- 주어진 프롬프트에서 샘플링하기 위해 generate 호출
이제 생성자(constructor)를 분석해 보겠습니다.
LLM 엔진 생성자
엔진의 주요 컴포넌트는 다음과 같습니다:
- vLLM config (모델, 캐시, 병렬화 등을 설정하는 모든 노브를 포함)
- processor (검증, 토큰화 및 처리를 통해 원시 입력 -> EngineCoreRequests 로 변환)
- engine core client (이 예제에서는 기본적으로 EngineCore 와 동일한 InprocClient 를 사용 중입니다. 점차 대규모 서빙을 허용하는 DPLBAsyncMPClient 로 구축해 나갈 것입니다)
- output processor (원시 EngineCoreOutputs -> 사용자가 보는 RequestOutput 으로 변환)
📝 참고: V0 엔진이 사용 중단됨에 따라 클래스 이름과 세부 정보는 변경될 수 있습니다. 정확한 시그니처보다는 핵심 아이디어에 초점을 맞출 것입니다. 일부 세부 정보는 생략하겠지만 모두 그런 것은 아닙니다.
엔진 코어 자체는 여러 하위 컴포넌트로 구성되어 있습니다:
- Model Executor (모델의 순방향 패스를 구동합니다. 현재 단일 GPU에 단일 Worker 프로세스를 갖는 UniProcExecutor 를 다루고 있습니다). 점차 다중 GPU를 지원하는 MultiProcExecutor 로 구축해 나갈 것입니다.
- Structured Output Manager (가이드 디코딩(generated decoding)에 사용됨 - 이에 대해서는 나중에 다룰 것입니다)