vLLM Inference Profiling

导言

训练 profiling 通常围绕 forward、backward、optimizer 和通信几类稳定阶段展开；推理 profiling 则更像一条被压扁的多层时间带：prefill、decode、spec decode、采样、图模式、host 同步、调度空隙和特殊融合算子会叠在同一个 step 里。

这篇文章用一次 vLLM-Ascend trace 作为样本，先把 Free、vllm::gdn_attention_core、FusedInferAttentionScore、GemmaRmsNorm、fused_sigmoid_gating_delta_rule_update_kernel_0、aclnnInplaceUniform_DSARandomUniform_DSARandomUniform 这些名字拆开，再总结一套以后跟踪新模型融合算子的 checklist。

先看这次 trace

本次数据来自：

/Users/Zhuanz/Downloads/profiling/rollout/agent_loop_rollout_replica_0/rank0_856658_20260707191230571_ascend_pt/ASCEND_PROFILER_OUTPUT

先给结论：不要先从单个陌生 kernel 名字开始猜，而要先看 step 窗口、host API、device kernel 三层时间是否对齐。

观察对象	事实	解释边界
Step Stage	528.78 s	profiler 覆盖的是一个很宽的 rollout/session 窗口。
Step Computing	68.26 s	主体计算并没有覆盖完整 step。
Step Free	460.52 s	当前证据更像 step 窗口空隙，不应直接归因到某个 kernel 的释放开销。
主 device kernel 活跃区间	约前 83 s	大多数热点 kernel 的 first/last timestamp 集中在 0.33 s 到 82.70 s。
Top CANN host API	aclrtSynchronizeEvent 50.23 s，aclrtSynchronizeStreamWithTimeout 35.15 s	host 等待和流同步需要单独看，不能混到 device kernel 里。

这说明本次 trace 的第一层问题不是“哪个算子跑了五百秒”，而是：模型实际忙的窗口和 profiler step 窗口严重不一致。如果要优化推理内核，应先截取更窄的请求窗口；如果要优化 rollout 端到端吞吐，则要继续看调度、等待、采样、数据搬运和环境循环。

推理 trace 不是一条单线 forward，而是 host、prefill/decode、graph replay、fused kernel 和等待空隙叠在一起的时间带。

为什么推理更难 profile

vLLM 的推理执行不是训练式的固定 step。PagedAttention 让 KV cache 以 block 方式管理请求状态，continuous batching 让不同请求在每个调度迭代里重新组合。¹ 对性能来说，这很好；对 profiling 来说，它会让一个 trace 同时出现几类不同语义的时间。

1. prefill 和 decode 的计算形态不同 prefill 通常处理较长 prompt，更偏计算密集；decode 每轮只生成少量 token，更容易受 batch shape、launch、HBM 访问、同步和采样影响。vLLM optimization 文档也把 chunked prefill 描述成一种兼顾 TTFT 和 ITL 的调度策略：decode 优先，prefill 按 token budget 切块。²

2. decode 也有预处理 对普通 attention，decode 需要准备 block table、seq len、mask、KV cache 索引等参数；对 GDN 这类 recurrent attention，还会有 conv1d state、SSM state、spec decode metadata、accepted token 等额外状态。

3. 图模式会改写 profiler 名字 vLLM-Ascend 的 ACL graph wrapper 会按 batch descriptor 缓存图；没有图时直接调用 runnable，有图时 capture 或 replay。full graph replay 前还可能有 stream synchronize。⁵ 所以同一个逻辑算子可能出现 dynamic 名字，也可能出现带 hash 的 static 名字。

4. 采样不是模型层，但会在 trace 里很醒目 生成式推理在 logits 后还有 sampling、random、copy、output 处理。aclnnInplaceUniform_DSARandomUniform_DSARandomUniform 这类名字如果不分层，很容易被误认为模型 forward 的融合算子。

5. host 时间和 device 时间不是一回事 npu_fx_compiler inference、vllm::gdn_attention_core、aclrtSynchronizeEvent 是 host/API 维度的线索；FusedInferAttentionScore_...、fused_sigmoid...kernel_0 才是 device kernel 维度的线索。两层要先拆开，再关联。

融合算子字典

下面这张表是本次 trace 里最值得先记住的“算子字典”。其中带 hash 的 static 名字，我只把它当成图/shape 专门化之后的 profiler 标签；除非继续拿到更底层编译器命名规则，否则不应该把 hash 本身解释成语义。

Profiler 名字	更合理的 base op	源码入口	融合了什么	本次 trace 证据
GemmaRmsNorm_3f68f4a3c27727c75887c7423ff14492_high_performance_0	Gemma RMSNorm	vllm_ascend/ops/layernorm.py::AscendGemmaRMSNorm.forward_oot，vllm_ascend/device/device_op.py::npu_gemma_rms_norm	Gemma RMSNorm 的 NPU custom op；无 residual 时走 DeviceOperator.npu_gemma_rms_norm。	static 版本 4113 次，51.34 ms，平均 12.48 us；dynamic 版本只出现少量大 shape/warmup。
fused_sigmoid_gating_delta_rule_update_kernel_0	GDN decode recurrent update	vllm_ascend/ops/triton/fla/sigmoid_gating.py	sigmoid/softplus gating、QK L2 norm、hidden state decay、delta rule update、beta gating、state writeback、output reduction。	74034 次，18.55 s，占 device 总时间约 23.98%，是本 trace 第一热点。
aclnnInplaceUniform_DSARandomUniform_DSARandomUniform	sampling/random uniform path	profiler 中对应 aclnnInplaceUniform、aclrtRandomNumAsync，上层需用窄 trace 继续定位	随机数生成/原地 uniform，当前更像采样路径，不是 transformer attention 或 GDN 层数学。	4128 次，6.09 s，输出 shape 多为 N x 248320，和 vocab 维度/采样更接近。
FusedInferAttentionScore_3b093497fc536d61a77a7a3293a524da_5000000000010200203	Ascend FIA	vllm_ascend/attention/attention_v1.py，CANN FusedInferAttentionScore	CANN 将 PromptFlashAttention 和 IncreFlashAttention 统一在一个推理 attention 接口里；Q_S=1 走增量分支，否则走 prompt 分支。8	static 版本 24678 次，8.12 s；dynamic FusedInferAttentionScore 只有 90 次，约 15.04 ms。

不要按名字直觉归因

aclnnInplaceUniform_DSARandomUniform_DSARandomUniform 很热，但它不代表模型层里多了一个神秘 attention；vllm::gdn_attention_core 看起来像一个单一 op，但内部会根据 metadata 分支。推理 profiling 的第一原则是：先分域，再分阶段，最后才解释收益。

GDN attention core 是 prefill 吗

短答案：不是 prefill-only。

在 vLLM 主仓里，qwen_gdn_attention_core 是一个自定义 op，注释说明它只处理 conv1d + recurrent attention，输入/输出 projection 由调用者完成。vLLM-Ascend 的 GDN wrapper 在完成 input projection、q/k/v/z 和 gate 参数准备后，调用：

torch.ops.vllm.qwen_gdn_attention_core(
    mixed_qkv,
    b,
    a,
    core_attn_out,
    self.prefix,
    False,
)

真正决定 prefill 还是 decode 的，是 GDNAttentionMetadata。_forward_core 里面至少有三类路径：

1. spec decode：用 fused_sigmoid_gating_delta_rule_update(...) 处理 speculative tokens。
2. non-spec decode：decode-only 或 mixed decode 部分也会用 fused_sigmoid_gating_delta_rule_update(...)。
3. prefill chunk：prefill 部分用 chunk_gated_delta_rule(...)，并写回 recurrent state。

vLLM 的 GDN metadata builder 会用 split_decodes_and_prefills(..., decode_threshold=1) 把 query length 小于等于 1 的请求归入 decode。⁶ 所以 profiler 里出现 vllm::gdn_attention_core 时，正确问法不是“它是不是 prefill”，而是：

• 当前 event 对应的 metadata 里 num_prefills、num_decodes、num_spec_decodes 各是多少？
• 这一段是否 mixed decode+prefill，decode 是否被 peel 到前面单独处理？
• 对应 device kernel 是 chunk_gated_delta_rule 还是 fused_sigmoid_gating_delta_rule_update_kernel_0？

本次 trace 的 device 热点主要落在 fused_sigmoid_gating_delta_rule_update_kernel_0，因此热点更偏 GDN decode/spec-decode recurrent update；但这不等于所有 vllm::gdn_attention_core host event 都是 decode，也不等于没有 prefill 分支。

Fused sigmoid GDN kernel

Gated Delta Networks 论文把 gated memory control 和 delta rule update 组合起来，用于长上下文、高吞吐的线性注意力式模型结构。⁹ 对 profiling 来说，这意味着 Qwen3.5 一类模型里会出现不是普通 attention、也不是 MLP 的 recurrent state kernel。

Gated Delta Networks 的结构逻辑图。图源：Gated Delta Networks 论文 Figure 1，用于说明 GDN block 的计算语义。

fused_sigmoid_gating_delta_rule_update_kernel_0 的源码注释直接说明它把 sigmoid gating 和 recurrent delta rule update 合成一个 Triton kernel。核心循环大致做这些事：

1. 计算 gate：g = -exp(A_log) * softplus(a + dt_bias)，beta = sigmoid(b)。
2. 可选归一化：在 kernel 内做 q/k L2 norm。
3. 衰减状态：h *= exp(g)。
4. delta update：v -= sum(h * k)，再乘 beta。
5. 写回状态：h += k * v，最后把 state 写回 initial_state。
6. 输出 token 表示：o = sum(h * q)。

融合收益主要来自三点：

• 减少中间张量写回：gate、delta update、state update 和 output reduction 不需要拆成一串小 kernel。
• 把 recurrent state 留在更近的存储层级：至少在一个 token-loop 内减少来回读写。
• 降低 decode 小 token 场景的 launch/同步开销：decode 的 token 粒度小，融合比训练中的大矩阵更重要。

这也是为什么本次 trace 里它能超过 MatMulV2，成为第一热点。它不是“奇怪的编译器残留”，而是 GDN decode 路径的核心算子。

FusedInferAttentionScore

CANN 文档把 FusedInferAttentionScore 定义为适配增量和全量推理场景的 FlashAttention 算子：Q_S=1 时走 IncreFlashAttention，其余场景走 PromptFlashAttention。⁸ vLLM-Ascend 的 attention_v1.py 在普通 forward、full graph capture、graph param update 路径里都会调用 torch_npu.npu_fused_infer_attention_score 或对应的 .out(...) 形式。

这解释了为什么 trace 里有两种形态：

• FusedInferAttentionScore：dynamic 形态，可能来自 warmup、未捕获 shape 或普通路径。
• FusedInferAttentionScore_3b..._500...：static 形态，更像图模式下针对固定 shape/参数组合生成的专门化 kernel 标签。

本次 static 版本出现 24678 次，总计 8.12 s；dynamic 版本只有 90 次，总计 15.04 ms。这说明 steady-state 路径很可能已经落在 static graph replay 上。优化它时，不应只搜 FusedInferAttentionScore_3b... 全名，而应先按 base op FusedInferAttentionScore 回到 vLLM-Ascend attention 源码和 CANN 文档。

Free 为什么特别多

这次 Free 特别大，但我更倾向于把它读成窗口问题，而不是“某个 free kernel 很慢”。

证据链是：

1. StepTraceTime 的 Stage 是 528.78 s，Computing 是 68.26 s，Free 是 460.52 s。
2. 主要 device kernel 的 first/last timestamp 集中在 0.33 s 到 82.70 s。
3. TASK 和 CANN_API 的 span 接近 529.7 s，说明 profiler 覆盖了更长的 host/session 时间。
4. host API 里 aclrtSynchronizeEvent 和 aclrtSynchronizeStreamWithTimeout 很高，说明等待和同步不是小数。

因此，当前能追溯的结论是：本次 trace 不能用 Free 直接解释 device kernel 性能。更可靠的下一步是：

• 用更窄的 profiling range 包住单次请求或若干 decode iteration。
• 把 vLLM scheduler step、model forward、sampler、output processor 分别打 NVTX/torch profiler range。
• 对齐 kernel_details.csv 的 timestamp、operator_details.csv 的 host range、rollout loop 日志的 request 时间。
• 单独统计 aclrtFreePhysical、allocator、KV block free 和 request 完成事件，不把它们和 StepTraceTime.Free 混为一谈。

npu_fx_compiler inference 怎么看

npu_fx_compiler inference 在本次 trace 中出现 15 次，host total 约 7.75 s，device total 约 1.99 s。这个名字更像 torch/NPU FX 编译或图执行边界的 profiler range，不是一个具体 device kernel。

它容易让人困惑，是因为这个 host range 里可能包着许多小的 aten、NPU custom op、图捕获/回放相关调用。阅读时建议按三步拆：

1. 先看它包住哪些 PyTorch API 子事件。
2. 再看这些子事件落到哪些 CANN API 和 device kernel。
3. 最后按 graph capture、graph replay、dynamic fallback 三类归档。

如果在 npu_fx_compiler inference 里看到了 vllm::gdn_attention_core，不要直接说“FX compiler 在跑 prefill”。它只是 host 范围，里面的 GDN 自定义 op 仍要继续按 metadata 分支拆开。

论文证据补充

GDN 不是随手发明的推理融合算子，它背后是模型结构变化。Gated Delta Networks 论文的吞吐图显示，在相同单 H100 GPU 条件下，Gated DeltaNet 这类结构在训练吞吐上相对 full attention 有明显优势。⁹

Gated Delta Networks 论文 Figure 3，展示 1.3B 规模模型的训练吞吐对比。这里用于提示：GDN profiling 中出现 recurrent update kernel，是模型结构变化的结果。

这张图不能直接证明本次 NPU 推理 kernel 的收益，因为硬件、实现和任务都不同；但它能帮助建立正确问题：当模型结构从 full attention 变成 GDN/attention hybrid 时，profiling 字典也要跟着更新。否则会把 recurrent state kernel 当成陌生噪声。

新模型融合算子跟踪

以后遇到新模型、新 backend 或新融合算子，可以按下面顺序走。

1. 先建四张表 从 op_statistic.csv、kernel_details.csv、operator_details.csv、api_statistic.csv 分别建 step 表、host API 表、device kernel 表、shape/timestamp 表。

2. 按名字分域

3. vllm::xxx：vLLM custom op 或 torch custom op。
4. aclnnXXX：CANN ACLNN API。
5. torch_npu.npu_xxx：torch-npu 高层接口。
6. xxx_kernel_0：Triton、AscendC 或编译生成 kernel。

7. xxx_hash_suffix：优先按 base op 搜索，hash 当成 static specialization 线索。

8. 先搜 base op，不搜全名 例如搜 GemmaRmsNorm、FusedInferAttentionScore、fused_sigmoid_gating_delta_rule_update，不要一上来搜完整 hash 名字。

9. 把 host 和 device 分开 host total 高，可能是同步、调度、Python/C++ wrapper、workspace 查询或图参数更新；device total 高，才是 kernel 本体更热。

10. 把 prefill、decode、spec decode 分开 对 vLLM，要看 query_lens、query_start_loc、num_prefills、num_decodes、num_spec_decodes，不要只看 op 名字。

11. 把 graph dynamic/static 分开 同一个 base op 同时有 dynamic 和 static 名字时，先比较 call count、shape、first/last timestamp，再判断是不是 warmup、fallback、capture 或 replay。

12. 把 sampling 单独拉出来 random、uniform、multinomial、exponential、copy、to、nonzero 等路径都可能很热，但它们优化的是 generation pipeline，不是 attention/MLP 本体。

13. 最后才写收益判断 只有当源码和 trace 同时支持时，才说“融合了什么、收益来自哪里”；否则写成“当前 trace 支持的解释”和“仍需验证”。

可复用 prompt

这次的重复分析 prompt 已沉淀到 obsidian-vault/wiki/meta/VLLM Inference Profiling Rule.md。以后遇到新模型 profiling，可以直接按那份 rule 生成 raw source、source synthesis、operator dictionary 和 Hugo 文章。

总结

这次 profiling 最重要的收获不是记住某个 kernel 名字，而是建立一个分层读法：

• Free 先看窗口：本次 Free=460.52 s 更像 step/session 覆盖过宽，不是某个 kernel 本体慢。
• vllm::gdn_attention_core 不是 prefill-only：它是 GDN core custom op，内部按 metadata 分支到 prefill、decode、spec decode 或 mixed path。
• fused_sigmoid_gating_delta_rule_update_kernel_0 是 GDN decode 热点：它融合 gate、delta rule、state update 和 output reduction。
• FusedInferAttentionScore_... 先还原成 FIA：hash 后缀更像 static graph/shape 专门化标签，语义要回到 CANN FIA 和 vLLM-Ascend attention 源码。
• aclnnInplaceUniform... 先按 sampling 查：它很热，但不是模型层 attention。

推理 profiling 的难点在于：一个 step 里同时有系统、框架、模型结构和后处理。把这些层拆开，陌生融合算子的名字就不会那么吓人。

参考文献

---

1. Kwon et al., "Efficient Memory Management for Large Language Model Serving with PagedAttention", arXiv, https://arxiv.org/abs/2309.06180. ↩

2. vLLM optimization and chunked prefill documentation, https://docs.vllm.ai/en/stable/configuration/optimization.html. ↩

3. vLLM profiling documentation, https://docs.vllm.ai/en/stable/contributing/profiling.html. ↩

4. vLLM-Ascend service profiling guide, https://docs.vllm.ai/projects/ascend/en/latest/developer_guide/performance_and_debug/service_profiling_guide.html. ↩

5. vLLM-Ascend ACL graph source, https://raw.githubusercontent.com/vllm-project/vllm-ascend/main/vllm_ascend/compilation/acl_graph.py. ↩

6. vLLM GDN attention backend and Qwen GDN core source, https://raw.githubusercontent.com/vllm-project/vllm/main/vllm/v1/attention/backends/gdn_attn.py, https://raw.githubusercontent.com/vllm-project/vllm/main/vllm/model_executor/layers/mamba/gdn/qwen_gdn_linear_attn.py. ↩

7. vLLM-Ascend fused sigmoid gating delta rule source, https://raw.githubusercontent.com/vllm-project/vllm-ascend/main/vllm_ascend/ops/triton/fla/sigmoid_gating.py. ↩

8. Ascend CANN FusedInferAttentionScore documentation, https://gitee.com/ascend/cann-ops-adv/raw/master/docs/FusedInferAttentionScore.md. ↩↩

9. Yang et al., "Gated Delta Networks: Improving Mamba2 with Delta Rule", arXiv, https://arxiv.org/abs/2412.06464. ↩↩

评论