监控 Metrics
April 29, 2026 · View on GitHub
监控 Metrics
在 FastDeploy 启动后，支持通过 Metrics 持续监控的 FastDeploy 的服务状态。启动 FastDeploy 时，可以通过配置 metrics-port 参数指定 Metircs 服务的端口。
| 指标分类 | 指标名称 | 数据类型 | 说明 | 单位 |
|---|---|---|---|---|
| 请求 | fastdeploy:requests_number | Counter | 已接收的请求总数 | 个 |
| 请求 | fastdeploy:request_success_total | Counter | 成功处理的请求个数 | 个 |
| 请求 | fastdeploy:num_requests_running | Gauge | 当前正在运行的请求数量 | 个 |
| 请求 | fastdeploy:num_requests_waiting | Gauge | 当前等待中的请求数量 | 个 |
| 时延 | fastdeploy:time_to_first_token_seconds | Histogram | 首 token 生成所需时间 | 秒 |
| 时延 | fastdeploy:time_per_output_token_seconds | Histogram | 间隔输出 token 的生成时间 | 秒 |
| 时延 | fastdeploy:e2e_request_latency_seconds | Histogram | 请求的端到端延迟分布 | 秒 |
| 时延 | fastdeploy:request_inference_time_seconds | Histogram | 请求在 RUNNING 阶段耗时 | 秒 |
| 时延 | fastdeploy:request_queue_time_seconds | Histogram | 请求在 WAITING 阶段耗时 | 秒 |
| 时延 | fastdeploy:request_prefill_time_seconds | Histogram | 请求的 Prefill 阶段耗时 | 秒 |
| 时延 | fastdeploy:request_decode_time_seconds | Histogram | 请求的 Decode 阶段耗时 | 秒 |
| Token | fastdeploy:prompt_tokens_total | Counter | 已处理的 prompt token 总数 | 个 |
| Token | fastdeploy:generation_tokens_total | Counter | 已生成的 token 总数 | 个 |
| Token | fastdeploy:request_prompt_tokens | Histogram | 每个请求的 prompt token 数量 | 个 |
| Token | fastdeploy:request_token_ratio | Histogram | 每个请求的token生成速率 | 个 |
| Token | fastdeploy:request_generation_tokens | Histogram | 每个请求的 generation token 数量 | 个 |
| Token | fastdeploy:request_params_max_tokens | Histogram | 请求的 max_tokens 分布 | 个 |
| 批处理 | fastdeploy:available_batch_size | Gauge | Decode 阶段还可以插入的请求数量 | 个 |
| 批处理 | fastdeploy:batch_size | Gauge | 推理时的真实批处理大小 | 个 |
| 批处理 | fastdeploy:max_batch_size | Gauge | 服务启动时确定的最大批处理大小 | 个 |
| KV缓存 | fastdeploy:cache_config_info | Gauge | 推理引擎的缓存配置信息 | 个 |
| KV缓存 | fastdeploy:hit_req_rate | Gauge | 请求级别前缀缓存命中率 | 百分比 |
| KV缓存 | fastdeploy:hit_token_rate | Gauge | token 级别前缀缓存命中率 | 百分比 |
| KV缓存 | fastdeploy:cpu_hit_token_rate | Gauge | token 级别 CPU 前缀缓存命中率 | 百分比 |
| KV缓存 | fastdeploy:gpu_hit_token_rate | Gauge | token 级别 GPU 前缀缓存命中率 | 百分比 |
| KV缓存 | fastdeploy:prefix_cache_token_num | Counter | 前缀缓存token总数 | 个 |
| KV缓存 | fastdeploy:prefix_gpu_cache_token_num | Counter | 位于 GPU 上的前缀缓存 token 总数 | 个 |
| KV缓存 | fastdeploy:prefix_cpu_cache_token_num | Counter | 位于 CPU 上的前缀缓存 token 总数 | 个 |
| KV缓存 | fastdeploy:available_gpu_block_num | Gauge | 缓存中可用的 GPU 块数量（包含尚未正式释放的前缀缓存块） | 个 |
| KV缓存 | fastdeploy:free_gpu_block_num | Gauge | 缓存中的可用块数 | 个 |
| KV缓存 | fastdeploy:max_gpu_block_num | Gauge | 服务启动时确定的 GPU 总块数 | 个 |
| KV缓存 | fastdeploy:max_cpu_block_num | Gauge | 服务启动时确定的 CPU 总块数 | 个 |
| KV缓存 | fastdeploy:available_gpu_resource | Gauge | 可用块占比，即可用 GPU 块数量 / 最大GPU块数量 | 百分比 |
| KV缓存 | fastdeploy:gpu_cache_usage_perc | Gauge | GPU 上的 KV 缓存使用率 | 百分比 |
| KV缓存 | fastdeploy:send_cache_failed_num | Counter | 发送缓存失败的总次数 | 个 |
指标访问
- 访问地址：
http://localhost:8000/metrics - 指标类型：Prometheus 格式
Trace 事件
FastDeploy 在请求处理的关键阶段输出结构化 trace 事件到 trace.log，用于定位请求级别的延迟瓶颈。每条 trace 日志包含 timestamp（毫秒）、request_id、event、stage 等字段。
通用事件（Mixed / 所有实例）
| 阶段 | 事件 | 说明 |
|---|---|---|
| PREPROCESSING | PREPROCESSING_START | API Server 开始预处理请求 |
| PREPROCESSING | PREPROCESSING_END | Engine 收到请求，预处理完成 |
| SCHEDULE | REQUEST_SCHEDULE_START | 请求进入调度流程 |
| SCHEDULE | REQUEST_QUEUE_START | 请求进入调度队列等待 |
| SCHEDULE | REQUEST_QUEUE_END | 请求从调度队列取出 |
| SCHEDULE | RESOURCE_ALLOCATE_START | 开始为请求分配资源 |
| SCHEDULE | PREPARE_PREFIX_CACHE_START | 开始匹配前缀缓存块 |
| SCHEDULE | PREPARE_PREFIX_CACHE_END | 前缀缓存块匹配完成 |
| SCHEDULE | RESOURCE_ALLOCATE_END | 资源分配完成 |
| SCHEDULE | REQUEST_SCHEDULE_END | 调度流程结束 |
| PREFILL | INFERENCE_START | 请求送入 GPU 执行推理 |
| PREFILL | FIRST_TOKEN_GENERATED | 首 token 生成 |
| DECODE | DECODE_START | 进入 Decode 阶段 |
| DECODE | INFERENCE_END | 推理完成（所有 token 生成完毕） |
| DECODE | PREEMPTED | 请求被抢占 |
| DECODE | RESCHEDULED_INFERENCE_START | 被抢占的请求重新调度执行 |
| POSTPROCESSING | WRITE_CACHE_TO_STORAGE_START | 开始将 KV Cache 写入外部存储 |
| POSTPROCESSING | WRITE_CACHE_TO_STORAGE_END | KV Cache 写入外部存储完成 |
| POSTPROCESSING | POSTPROCESSING_START | 开始后处理 |
| POSTPROCESSING | POSTPROCESSING_END | 后处理完成，响应发送完毕 |
PD 分离 — Prefill (P) 实例专属事件
| 阶段 | 事件 | 说明 |
|---|---|---|
| SCHEDULE | ASK_DECODE_RESOURCE_START | P 开始向 D 申请资源（发送 ZMQ 请求） |
| SCHEDULE | ASK_DECODE_RESOURCE_END | P 收到 D 的资源分配确认（含 dest_block_ids） |
| PREFILL | PREFILL_INFERENCE_END | P 实例 Prefill 推理完成 |
| POSTPROCESSING | CHECK_CACHE_TRANSFER_START | P 开始等待 KV Cache 传输完成 |
| POSTPROCESSING | CHECK_CACHE_TRANSFER_END | KV Cache 传输完成确认，准备发送 first token 到 D |
PD 分离 — Decode (D) 实例专属事件
| 阶段 | 事件 | 说明 |
|---|---|---|
| DECODE | DECODE_PROCESS_PREALLOCATE_REQUEST_START | D 开始处理 P 发来的资源分配请求 |
| DECODE | DECODE_PROCESS_PREALLOCATE_REQUEST_END | D 完成资源分配并返回 dest_block_ids 给 P |
| DECODE | DECODE_PROCESS_PREFILLED_REQUEST_START | D 收到 P 的 first token，开始处理 Prefilled 请求 |
| DECODE | DECODE_PROCESS_PREFILLED_REQUEST_END | D 将 Prefilled 请求加入 running queue |
| DECODE | DECODE_INFERENCE_END | D 实例 Decode 推理完成 |
请求生命周期时序图
Mixed 模式（单实例完整推理）：
PREPROCESSING_START → PREPROCESSING_END → REQUEST_QUEUE_START → REQUEST_QUEUE_END
→ RESOURCE_ALLOCATE_START → RESOURCE_ALLOCATE_END → INFERENCE_START
→ FIRST_TOKEN_GENERATED → DECODE_START → INFERENCE_END
→ POSTPROCESSING_START → POSTPROCESSING_END
PD 分离 — Prefill (P) 实例：
PREPROCESSING_START → PREPROCESSING_END → REQUEST_QUEUE_START → REQUEST_QUEUE_END
→ ASK_DECODE_RESOURCE_START → ASK_DECODE_RESOURCE_END
→ RESOURCE_ALLOCATE_START → RESOURCE_ALLOCATE_END
→ INFERENCE_START → PREFILL_INFERENCE_END
→ CHECK_CACHE_TRANSFER_START → CHECK_CACHE_TRANSFER_END → [发送 first token 到 D]
PD 分离 — Decode (D) 实例：
PREPROCESSING_START → PREPROCESSING_END → REQUEST_QUEUE_START → REQUEST_QUEUE_END
→ DECODE_PROCESS_PREALLOCATE_REQUEST_START → DECODE_PROCESS_PREALLOCATE_REQUEST_END
→ [等待 P 完成 prefill 并传输 KV Cache]
→ DECODE_PROCESS_PREFILLED_REQUEST_START → DECODE_PROCESS_PREFILLED_REQUEST_END
→ INFERENCE_START → DECODE_INFERENCE_END
→ POSTPROCESSING_START → POSTPROCESSING_END