关于Ollama多容器部署Deepseek大模型集群访问的负载均衡方案

起因: 公司资金有限, 只采购一台大模型服务器, 上边配置有5块L20显卡, 开发通过ollama的接口来调用DeepSeek, 多并发访问时服务会频繁报错499和500.

解决方案:

        1. 利用现有资源, 通过openresty(nginx)来实现多个ollama容器(每个容器指定一块L20)的负载均衡, 提高并发访问效率.

        2. 为每个ollama容器都复制出一份独立的大模型文件, 提高磁盘I/O效率.

拓扑图:

       

 

1. openresty(nginx)的容器配置如下:

   docker-compse.yaml 文件如下:

version: '3'
services:
  openresty:
    image: openresty/openresty:latest
    privileged: true
    container_name: openresty
    restart: always
    network_mode: host
    volumes:
      - ./nginx/conf/nginx.conf:/usr/local/openresty/nginx/conf/nginx.conf
      - ./nginx/conf.d:/etc/nginx/conf.d
      - /etc/localtime:/etc/localtime
      - ./nginx/logs:/usr/local/openresty/nginx/logs

 

2. openresty(nginx)的负载均衡配置如下:

    ollama.conf文件配置如下:

# ollama负载均衡
upstream ollama_cluster {
    zone ollama_cluster_zone 64k;  # 共享内存区域多Worker负载均衡状态同步
    least_conn;
    keepalive 32;
    server 127.0.0.1:11434 weight=1 max_fails=1 fail_timeout=15s;
    server 127.0.0.1:11435 weight=1 max_fails=1 fail_timeout=15s;
    server 127.0.0.1:11436 weight=1 max_fails=1 fail_timeout=15s;
    server 127.0.0.1:11437 weight=1 max_fails=1 fail_timeout=15s;
    server 127.0.0.1:11438 weight=1 max_fails=1 fail_timeout=15s;
}


# ollama_cluster 集群站点配置
server {
    listen       22868 reuseport;
    server_name  localhost;
    access_log  logs/ollama_cluster_access.log  main;
    error_log logs/ollama_cluster_error.log;
    location / {
        proxy_pass http://ollama_cluster;
        proxy_read_timeout 600s;
        proxy_connect_timeout 75s;
        proxy_http_version 1.1;
        proxy_set_header Connection "";
        proxy_set_header Host $host;
        
        # 启用响应缓冲（大模型必备）
        proxy_buffering on;
        proxy_buffers 16 32k;
        proxy_buffer_size 64k;
		proxy_busy_buffers_size 128k;
    }
}

 

3. 启动脚本如下:

    1) 安装好容器的nvidia支持:

# 安装docker容器的 Nvidia GPU 模式支持
#  1). Apt 的安装
#    a.配置仓库
      curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey           | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
      curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list           | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g'           | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
      sudo apt-get update
#    b.安装
      sudo apt-get install -y nvidia-container-toolkit
#  2).Yum or Dnf 的安装方式
#    a.配置仓库
      curl -s -L https://nvidia.github.io/libnvidia-container/stable/rpm/nvidia-container-toolkit.repo           | sudo tee /etc/yum.repos.d/nvidia-container-toolkit.repo
#    b.安装
      sudo yum install -y nvidia-container-toolkit

# 配置 Docker 共享使用 Nvidia 显存
  sudo nvidia-ctk runtime configure --runtime=docker
  sudo systemctl restart docker

    2) run-ollama-cluster.sh文件脚本内容如下:

#!/bin/bash

# 清理容器，重启新的Ollama容器集群
docker stop ollama_11434 && docker rm ollama_11434
docker stop ollama_11435 && docker rm ollama_11435
docker stop ollama_11436 && docker rm ollama_11436
docker stop ollama_11437 && docker rm ollama_11437
docker stop ollama_11438 && docker rm ollama_11438
docker run -d --gpus device=0 -e OLLAMA_NUM_PARALLEL=8 -e OLLAMA_KEEP_ALIVE=-1 -v /data/deepseed-r1-11434:/root/.ollama -p 11435:11434 --name ollama_11434 ollama/ollama
docker run -d --gpus device=1 -e OLLAMA_NUM_PARALLEL=8 -e OLLAMA_KEEP_ALIVE=-1 -v /data/deepseed-r1-11435:/root/.ollama -p 11435:11434 --name ollama_11435 ollama/ollama
docker run -d --gpus device=2 -e OLLAMA_NUM_PARALLEL=8 -e OLLAMA_KEEP_ALIVE=-1 -v /data/deepseed-r1-11436:/root/.ollama -p 11436:11434 --name ollama_11436 ollama/ollama
docker run -d --gpus device=3 -e OLLAMA_NUM_PARALLEL=8 -e OLLAMA_KEEP_ALIVE=-1 -v /data/deepseed-r1-11437:/root/.ollama -p 11437:11434 --name ollama_11437 ollama/ollama
docker run -d --gpus device=4 -e OLLAMA_NUM_PARALLEL=8 -e OLLAMA_KEEP_ALIVE=-1 -v /data/deepseed-r1-11438:/root/.ollama -p 11438:11434 --name ollama_11438 ollama/ollama

# 重启openresty容器
docker-compose down && docker-compose up -d

# 预热模型
curl -X POST http://127.0.0.1:11434/api/generate -d '{
"model": "qwq:latest",
"prompt": "为什么天空是蓝色的？",
"stream": false
}'
curl -X POST http://127.0.0.1:11435/api/generate -d '{
"model": "qwq:latest",
"prompt": "为什么天空是蓝色的？",
"stream": false
}'
curl -X POST http://127.0.0.1:11436/api/generate -d '{
"model": "qwq:latest",
"prompt": "为什么天空是蓝色的？",
"stream": false
}'
curl -X POST http://127.0.0.1:11437/api/generate -d '{
"model": "qwq:latest",
"prompt": "为什么天空是蓝色的？",
"stream": false
}'
curl -X POST http://127.0.0.1:11438/api/generate -d '{
"model": "qwq:latest",
"prompt": "为什么天空是蓝色的？",
"stream": false
}'

 

4. ab工具压测

        request.json文件内容如下:

{
  "model": "qwq:latest",
  "prompt": "详细分析2024年全球人工智能发展趋势，包括技术突破、政策监管和产业应用三个维度，要求每个维度不少于200字。",
  "stream": false,
  "options": {
    "temperature": 0.5,
    "num_predict": 1024
  }
}

        测试命令如下:

ab -n 100 -c 20 -p request.json -T 'application/json' -e result.csv -s 60 -k -l -v 2 http://IP:22868/api/generate > debug.log 2>&1 &

        测试结果如下: 100请求, 并发20, 还算可以.