멀티 LoRA 서빙 Multi-LoRA Serving
멀티 LoRA 서빙은 하나의 기반 모델을 공유하면서 요청별로 서로 다른 LoRA 어댑터를 선택해 함께 처리하고, 어댑터 적재·캐시·배치 자원을 관리하는 추론 운영 방식이다.
개념과 원리
섹션 제목: “개념과 원리”개요와 적용 범위
섹션 제목: “개요와 적용 범위”멀티 LoRA 서빙은 기반 모델 가중치를 공유하면서 요청마다 LoRA 어댑터를 선택해 처리하는 방식이다. vLLM에서는 SupportsLoRA를 구현한 모델에서 기반 모델 요청과 어댑터 요청을 같은 서빙 환경에서 처리할 수 있다. 여러 어댑터가 등록돼 있다는 사실과 한 배치에 동시에 실릴 수 있는 어댑터 수는 다른 조건이다. 어댑터별 모델 계약과 자원 사용을 함께 검증한다.
이 개념의 목적은 기술 이름을 하나 더 만드는 데 있지 않다. 실제 시스템에서 어떤 입력과 상태를 관측하고, 어떤 기준으로 변경을 허용하며, 실패했을 때 어떤 경로로 복구할지를 하나의 문서화된 판단 단위로 묶는 것이 핵심이다. 적용 범위는 워크로드, 사용자 위험, 비용 제약을 명시한 경우로 한정한다.
용어의 위치와 경계
섹션 제목: “용어의 위치와 경계”멀티 LoRA 서빙은 단일 표준이 정의한 고유명사로 단정하지 않는다. 이 문서에서는 인접한 연구·표준·구현 관행을 연결해 프로덕션 의사결정을 설명하는 조합적 운영 개념으로 사용한다. 따라서 제품명이나 특정 공급자의 기능과 동의어가 아니다.
특정 공급자의 현재 제품 매뉴얼만을 요약하거나 검증하지 않은 성능 수치를 일반화하지 않는다. 구현이 다르더라도 입력, 판단 규칙, 관측 결과, 복구 조건을 같은 형식으로 나란히 놓으면 비교가 가능하다. 용어를 사용할 때는 팀 내부의 적용 범위와 버전을 함께 밝혀 의미가 조직마다 달라지는 문제를 줄인다.
작동 구조
섹션 제목: “작동 구조”클라이언트는 공개된 어댑터 이름을 model로 선택하고 서버는 승인된 기반 모델·어댑터 조합에 연결한다. vLLM의 max_loras는 한 배치의 LoRA 수이고 max_cpu_loras는 CPU 메모리에 보관할 수 있는 수로, 후자는 전자 이상이어야 한다. max_lora_rank는 별도 적합성·메모리 조건이다. 같은 슬롯 수만 비교하지 말고 어댑터 종류·rank·캐시 적중과 실제 혼합 배치에서 지연·메모리를 측정한다.
단순히 성공·실패만 기록하면 어느 경계에서 품질이 무너졌는지 알 수 없다. 중간 상태를 추적하면 정책 오류와 구현 오류, 외부 의존성 장애를 분리할 수 있다. 상태 기록은 민감 데이터를 최소화하고 보유 기간과 접근 권한을 같이 정의한다.
구성 요소와 정보 흐름
섹션 제목: “구성 요소와 정보 흐름”멀티 LoRA 서빙은 입력 계약, 정책 저장소, 실행기, 관측 파이프라인, 복구 제어기로 구성할 수 있다. 입력 계약은 필수 필드와 유효 범위를 고정하고, 정책 저장소는 조건과 우선순위를 버전별로 보관한다. 실행기는 정책을 결과로 변환하며 관측 파이프라인은 실제 결과를 지표와 이벤트로 전환한다.
정보 흐름은 양방향이어야 한다. 제어 계층이 실행 계층에 정책을 내리는 것만으로는 부족하며, 관측 결과가 정책 수정과 자동 중단으로 되돌아와야 한다. 최종 복구 제어기는 롤백, 대체 경로, 사람 승인 중 하나를 선택하고 선택 이유를 남긴다.
활용과 검증
섹션 제목: “활용과 검증”측정 지표와 판단 기준
섹션 제목: “측정 지표와 판단 기준”멀티 LoRA 서빙을 평가할 때는 첫 토큰 시간, 토큰 간 지연, 처리량, 꼬리 지연, GPU 메모리 점유율, 요청 거부율을 함께 본다. 평균값 하나로 결론을 내리지 않고 워크로드, 사용자 군, 요청 크기, 모델 버전 슬라이스로 나눈다. 기준선은 목표, 경고, 중단의 세 단계로 나누고 각 단계의 대응 행동을 미리 결정한다.
측정값에는 표본 수와 관측 기간, 분모의 정의를 함께 기록한다. 지표가 좋아져도 다른 지표의 악화를 감출 수 있으므로 품질, 비용, 지연, 안전성을 같은 릴리스 표에서 비교한다. 최소 표본에 도달하지 못한 결과는 확정 판정이 아니라 보류로 분류한다.
설계 선택과 트레이드오프
섹션 제목: “설계 선택과 트레이드오프”멀티 LoRA 서빙은 품질·지연·비용·안전성 사이의 교환 관계를 드러낸다. 더 강한 검증과 이중화는 실패를 줄이지만 지연과 비용을 늘릴 수 있다. 반대로 빠른 대체 경로는 가용성을 높이지만 품질 일관성과 추적성을 떨어뜨릴 수 있다.
따라서 전체 요청에 하나의 정책을 적용하지 않는다. 사용자 영향, 요청 가치, 실패 후 복구 가능성에 따라 보수적·표준·속도 우선 정책으로 분리한다. 각 정책은 적용 조건, 예산, 허용 오류, 롤백 조건을 포함하고 운영 데이터로 주기적으로 재조정한다.
실패 모드와 진단
섹션 제목: “실패 모드와 진단”멀티 LoRA 서빙에서 우선 검토할 실패 후보는 KV 캐시 고갈, 로딩 지연, 배칭 불공정, 큐 폭주, 메모리 부족, 리전 편중이다. 실패 항목은 증상, 추정 원인, 탐지 신호, 사용자 영향, 임시 조치, 근본 조치로 나눠 기록한다. 이 구조를 사용하면 같은 증상을 만드는 서로 다른 원인을 구분할 수 있다.
진단은 최종 출력에서 역순으로 진행한다. 결과 검증, 실행 기록, 정책 선택, 입력 정규화 순으로 경계를 확인하면 변수를 빠르게 줄일 수 있다. 재현이 어려운 경우에는 실제 민감 데이터를 제거한 최소 재현 입력과 정책 버전을 함께 보존한다.
운영·관측·복구
섹션 제목: “운영·관측·복구”멀티 LoRA 서빙을 변경할 때는 버전, 적용 대상, 관측 지표, 예상 영향, 롤백 조건을 하나의 변경 기록에 남긴다. 배포는 오프라인 재현, 쉐도 실행, 소규모 카나리, 단계적 확대 순으로 진행하고 각 단계에서 중단 기준을 자동 판정할 수 있게 한다.
관측 화면은 성공 지표만 보여주지 않고 거부, 대체 경로, 재시도, 사람 개입, 복구 소요 시간을 함께 보여준다. 복구 절차는 담당자와 권한, 예상 소요 시간, 데이터 영향, 복구 후 검증 항목을 포함해야 한다. 주기적 후속 검토로 임시 조치가 영구 정책으로 남는 것을 방지한다.
운영 기록은 기반 모델 리비전과 어댑터 파일 해시·외부 별칭을 함께 고정한다. /v1/models에 이름이 보인다는 사실을 모든 테넌트의 사용 권한으로 취급하지 않고 라우팅 정책을 따로 적용한다. 콜드 어댑터 적재와 이미 상주한 어댑터 요청을 나누어 첫 토큰 지연과 교체·퇴출 빈도를 비교한다.
안전·보안·거버넌스
섹션 제목: “안전·보안·거버넌스”멀티 LoRA 서빙을 운영할 때는 수용 제어, 용량 여유분, 역압, 웜 풀, 오류 예산, 모델·어댑터 롤백을 기본 통제로 검토한다. 통제는 단순히 있는지만 확인하지 않고 어떤 위협을 줄이며, 어떤 잔여 위험이 남고, 실패했을 때 어떤 신호로 알 수 있는지를 연결한다.
민감 데이터와 비밀 값은 로그에 남기지 않고 필요한 시점에 최소 권한으로만 제공한다. 정책 예외는 승인자, 사유, 적용 범위, 만료 시점을 필수로 남겨야 한다. 사고 후에는 탐지부터 복구까지의 시간선과 의사결정 근거를 보존하고, 조치가 실제로 재발을 막았는지 동일 시나리오로 재시험한다.
적용 예시와 검토 목록
섹션 제목: “적용 예시와 검토 목록”멀티 LoRA 서빙을 적용할 수 있는 대표 상황은 피크 트래픽에서 긴 문맥 요청과 짧은 요청이 같은 GPU 풀을 공유하는 상황이다. 먼저 기존 흐름을 변경하지 않고 입력·판단·결과·복구 경계의 관측 가능성을 확보한다. 그런 다음 소규모 대상에 정책을 적용하고 기준선을 넘으면 즉시 기존 경로로 되돌린다.
검토 목록은 다음과 같다.
- 용어의 범위와 소유 팀을 문서화했는가?
- 입력과 출력 계약, 정책 버전을 식별할 수 있는가?
- 성공, 경고, 중단 기준과 표본 수를 정했는가?
- 주요 실패 모드별 탐지 신호와 임시 조치가 있는가?
- 롤백·대체 경로·사람 승인의 시작 조건이 명확한가?
- 민감 데이터와 비밀 값의 로깅·보유·접근 정책을 검토했는가?
실제 배포 후에는 체크리스트의 통과 여부보다 각 항목에서 발생한 예외와 사람 개입을 기록해 다음 버전의 정책을 개선한다.
문서 관계
섹션 제목: “문서 관계”선행 개념
섹션 제목: “선행 개념”관련 문서
섹션 제목: “관련 문서”이 문서를 가리키는 문서
섹션 제목: “이 문서를 가리키는 문서”이 문서를 포함하는 코스
섹션 제목: “이 문서를 포함하는 코스”포함된 코스가 없다.
참고와 다음 학습
섹션 제목: “참고와 다음 학습”참고 문헌
섹션 제목: “참고 문헌”- Efficient Memory Management for Large Language Model Serving with PagedAttention - paper
- vLLM documentation - documentation
- The Curious Case of Neural Text Degeneration - paper
- A Contrastive Framework for Neural Text Generation - paper
- vLLM LoRA Adapters - documentation
- vLLM LoRAConfig - documentation
코스에서 계속 읽기
섹션 제목: “코스에서 계속 읽기”이 문서에서 이어지는 코스가 없다.