GKE-তে llm-d ব্যবহার করে বিচ্ছিন্ন TPU vLLM ইনফারেন্সিং স্থাপন করুন

১. ভূমিকা

এই কোডল্যাবে, আপনি শিখবেন কীভাবে গুগল ক্লাউড টিপিইউ ব্যবহার করে গুগল কুবারনেটিস ইঞ্জিন (GKE)-এ উচ্চ-পারফরম্যান্স সম্পন্ন, ডিসঅ্যাগ্রিগেটেড ইনফারেন্সিং সার্ভিস ডেপ্লয় করতে হয়। আপনি ডিস্ট্রিবিউটেড এলএলএম সার্ভিংয়ের জন্য একটি ওপেন-সোর্স ফ্রেমওয়ার্ক, llm-d ব্যবহার করে একাধিক টিপিইউ হোস্টের মধ্যে প্রিফিল এবং ডিকোড পর্যায়গুলোকে আলাদা করবেন, শেয়ার্ড কেভি ক্যাশিং এবং জিকেই ইনফারেন্স গেটওয়ে সেট আপ করবেন।

এই সেটআপটি Qwen3-32B-এর মতো বড় মডেলগুলোকে উচ্চ থ্রুপুট ও কম ল্যাটেন্সিতে পরিষেবা দেওয়ার জন্য একটি প্রোডাকশন পরিবেশের অনুকরণ করে।

আপনি যা করবেন

  • অ্যাক্সিলারেটর ট্র্যাফিকের জন্য অপ্টিমাইজ করা MTU সহ একটি কাস্টম VPC নেটওয়ার্ক তৈরি করুন।
  • GCS Fuse CSI ড্রাইভার এবং Ray Operator অ্যাডঅন সহ একটি GKE ক্লাস্টার প্রস্তুত করুন।
  • TPU v6e স্লাইসগুলোর জন্য ৮টি ডেডিকেটেড নোড পুল তৈরি করুন (মোট ৩২টি চিপ)।
  • GCS অ্যাক্সেসের জন্য ওয়ার্কলোড আইডেন্টিটি এবং অনুমতি কনফিগার করুন।
  • Qwen3-32B মডেলের বিচ্ছিন্ন পরিবেশন পরিচালনা করতে llm-d স্থাপন করুন।
  • বেঞ্চমার্ক পরীক্ষার মাধ্যমে ডেপ্লয়মেন্টটি যাচাই করুন।

স্থাপত্য

[llm-d বিচ্ছিন্ন পরিবেশন স্থাপত্য, যেখানে মডেলটিকে প্রিফিলের ৪টি ২x২ প্রতিরূপে এবং ডিকোডের জন্যও একই রকমভাবে বিভক্ত দেখানো হচ্ছে]

আপনার যা যা লাগবে

  • বিলিং সক্ষম একটি গুগল ক্লাউড প্রজেক্ট।
  • TPU v6e রিসোর্সের (৩২টি চিপ, ct6e-standard-4t ) জন্য একটি গুগল ক্লাউড রিজার্ভেশন ।
  • মডেলের ওজন ডাউনলোড করার জন্য একটি হাগিং ফেস ইউজার অ্যাক্সেস টোকেন প্রয়োজন ।
  • ক্লাউড শেল অথবা একটি লোকাল টার্মিনাল, যেখানে gcloud , kubectl এবং helm ইনস্টল করা আছে।
  • আনুমানিক সময়কাল: ৬০ মিনিট
  • আনুমানিক খরচ: এই ল্যাবটিতে টিপিইউ-এর উল্লেখযোগ্য পরিমাণ রিসোর্সের প্রয়োজন হবে এবং প্রকল্পটি শেষ করতে ন্যূনতম $60 খরচ হবে। অনুশীলনগুলো শেষ করার সাথে সাথেই পরিষ্কার-পরিচ্ছন্নতার ধাপগুলো অনুসরণ করা নিশ্চিত করুন।

২. শুরু করার আগে

একটি গুগল ক্লাউড প্রজেক্ট তৈরি করুন বা নির্বাচন করুন

  1. গুগল ক্লাউড কনসোলে , একটি গুগল ক্লাউড প্রজেক্ট নির্বাচন করুন বা তৈরি করুন।
  2. আপনার ক্লাউড প্রজেক্টের জন্য বিলিং চালু আছে কিনা তা নিশ্চিত করুন।

ক্লাউড শেল শুরু করুন

  1. Google Cloud কনসোলের শীর্ষে থাকা Activate Cloud Shell-এ ক্লিক করুন।
  2. প্রমাণীকরণ যাচাই করুন: 
gcloud auth list
  1. আপনার প্রকল্পটি নিশ্চিত করুন: 
gcloud config get project
  1. প্রয়োজনে সেট করুন: 
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

এপিআই সক্ষম করুন

প্রয়োজনীয় গুগল ক্লাউড পরিষেবাগুলি সক্রিয় করুন:

gcloud services enable \
    container.googleapis.com \
    compute.googleapis.com \
    iam.googleapis.com \
    cloudresourcemanager.googleapis.com

পরিবেশ ভেরিয়েবল সেট করুন

আপনার শেলে নিম্নলিখিত ভেরিয়েবলগুলো সংজ্ঞায়িত করুন। <YOUR_ZONE> এর জায়গায় আপনার বরাদ্দকৃত TPU জোন, <YOUR_RESERVATION_NAME> এর জায়গায় আপনার রিজার্ভেশন আইডি এবং <YOUR_HUGGING_FACE_TOKEN> এর জায়গায় আপনার টোকেন বসান।

export PROJECT_ID=$(gcloud config get-value project)
export ZONE="<YOUR_ZONE>" # e.g., us-east5-a
export REGION=${ZONE%-*}
export NAMESPACE=default
export CLUSTER_NAME="qwen-serving-cluster"
export GVNIC_NETWORK_PREFIX="qwen-serving"
export RESERVATION_NAME="<YOUR_RESERVATION_NAME>"
export HF_TOKEN="<YOUR_HUGGING_FACE_TOKEN>"

৩. কাস্টম নেটওয়ার্কিং তৈরি করুন

প্রিফিল এবং ডিকোড নোডগুলির মধ্যে উচ্চ-ব্যান্ডউইথ ট্র্যাফিক পরিচালনা করার জন্য ডিসঅ্যাগ্রিগেটেড সার্ভিংয়ের ক্ষেত্রে নির্দিষ্ট নেটওয়ার্ক কনফিগারেশনের প্রয়োজন হয়।

  1. দক্ষ অ্যাক্সিলারেটর যোগাযোগের জন্য একটি বড় MTU (8896) সহ VPC নেটওয়ার্ক তৈরি করুন : 
    gcloud compute --project=${PROJECT_ID} \
    networks create ${GVNIC_NETWORK_PREFIX}-main \
    --subnet-mode=auto \
    --bgp-routing-mode=regional \
    --mtu=8896
  2. ক্লাস্টারের জন্য সাবনেট তৈরি করুন : 
    gcloud compute --project=${PROJECT_ID} \
    networks subnets create ${GVNIC_NETWORK_PREFIX}-tpu \
    --network=${GVNIC_NETWORK_PREFIX}-main \
    --region=${REGION} \
    --range=10.10.0.0/18
  3. GKE গেটওয়ে API-এর জন্য প্রয়োজনীয় একটি প্রক্সি-অনলি সাবনেট তৈরি করুন : 
    gcloud compute networks subnets create ${GVNIC_NETWORK_PREFIX}-proxy \
    --purpose=REGIONAL_MANAGED_PROXY \
    --role=ACTIVE \
    --region=${REGION} \
    --network=${GVNIC_NETWORK_PREFIX}-main \
    --range=172.16.0.0/26
  4. অভ্যন্তরীণ যোগাযোগের অনুমতি দেওয়ার জন্য ফায়ারওয়াল নিয়ম তৈরি করুন : 
    gcloud compute --project=${PROJECT_ID} firewall-rules create ${GVNIC_NETWORK_PREFIX}-allow-internal \
    --network=${GVNIC_NETWORK_PREFIX}-main \
    --allow=all \
    --source-ranges=172.16.0.0/12,10.0.0.0/8 \
    --description="Allow all internal traffic within the network."

৪. GKE ক্লাস্টারের ব্যবস্থা করা

GCS ফিউজ মাউন্ট এবং রে অপারেটর ওয়ার্কলোড সমর্থন করার জন্য কনফিগার করা একটি স্ট্যান্ডার্ড GKE ক্লাস্টার তৈরি করুন।

  1. ক্লাস্টার তৈরি করুন : 
    gcloud container clusters create ${CLUSTER_NAME} \
    --project=${PROJECT_ID} \
    --location=${REGION} \
    --release-channel=rapid \
    --machine-type=e2-standard-4 \
    --network=${GVNIC_NETWORK_PREFIX}-main \
    --subnetwork=${GVNIC_NETWORK_PREFIX}-tpu \
    --num-nodes=1 \
    --gateway-api=standard \
    --enable-managed-prometheus \
    --enable-dataplane-v2 \
    --enable-dataplane-v2-metrics \
    --workload-pool=${PROJECT_ID}.svc.id.goog \
    --addons=HttpLoadBalancing,GcsFuseCsiDriver,RayOperator,HorizontalPodAutoscaling,NodeLocalDNS \
    --enable-ip-alias
  2. ক্লাস্টার ক্রেডেনশিয়াল পুনরুদ্ধার করুন : 
    gcloud container clusters get-credentials ${CLUSTER_NAME} --region=${REGION}
  3. আলিঙ্গন করার মতো মুখের গোপন রহস্য তৈরি করুন : 
    kubectl create secret generic llm-d-hf-token \
    --from-literal=hf_api_token=${HF_TOKEN} \
    --dry-run=client -o yaml | kubectl apply -f -

৫. সংরক্ষিত টিপিইউ নোড পুল তৈরি করুন

আপনার রিজার্ভেশন ব্যবহার করে TPU v6e স্লাইসগুলির জন্য ৮টি ডেডিকেটেড নোড পুল প্রোভিশন করুন।

৮টি নোড পুল তৈরি করতে নিম্নলিখিত লুপটি চালান: 

for i in {1..8}
do
  gcloud beta container node-pools create "tpu-v6e-single-$i" \
    --project=${PROJECT_ID} \
    --cluster=${CLUSTER_NAME} \
    --region=${REGION} \
    --node-locations=${ZONE} \
    --machine-type=ct6e-standard-4t \
    --tpu-topology=2x2 \
    --num-nodes=1 \
    --reservation-affinity=specific \
    --reservation=${RESERVATION_NAME} \
    --workload-metadata=GKE_METADATA &
done

সমস্ত নোড তৈরি হয়ে ক্লাস্টারে যোগ দেওয়া পর্যন্ত অপেক্ষা করুন। আপনি kubectl get nodes দিয়ে স্ট্যাটাস চেক করতে পারেন।

৬. llm-d সার্ভিস ডিপ্লয় করুন

এখন আপনি বিচ্ছিন্ন পরিবেশন ব্যবস্থাপনার জন্য llm-d ফ্রেমওয়ার্কটি স্থাপন করবেন।

  1. llm-d চার্ট ডিপ্লয় করতে Helm ইনস্টল করুন : 
    curl -fsSL -o get_helm.sh https://raw.githubusercontent.com/helm/helm/main/scripts/get-helm-4
chmod 700 get_helm.sh
./get_helm.sh
  2. llm-d ক্লোন করুন এবং প্রয়োজনীয় নির্ভরতাগুলো ইনস্টল করুন: 
    git clone https://github.com/llm-d/llm-d.git
# When using yq alongside Helm, you almost always want the version by Mike Farah (mikefarah/yq).  We remove the most common yq installation before reinstalling
sudo rm -rf /usr/local/bin/yq
cd llm-d
./helpers/client-setup/install-deps.sh
  3. আপনার ক্লাস্টারের জন্য ডিসঅ্যাগ্রিগেটেড সার্ভিং কনফিগার করতে কাস্টম values_tpu.yaml প্রস্তুত করুন : 
    cat <<EOF > llm-d/guides/pd-disaggregation/ms-pd/values_tpu.yaml
multinode: false

# Configure accelerator type for Google TPU
accelerator:
type: google

modelArtifacts:
uri: "hf://Qwen/Qwen3-32B"
size: 200Gi
authSecretName: "llm-d-hf-token"
name: "Qwen/Qwen3-32B"
labels:
    llm-d.ai/inference-serving: "true"
    llm-d.ai/guide: "pd-disaggregation"
    llm-d.ai/hardware-variant: "tpu"
    llm-d.ai/hardware-vendor: "google"
    llm-d.ai/model: "Qwen3-32B"

tracing:
enabled: true
otlpEndpoint: "localhost:4317"
serviceNames:
    routingProxy: "routing-proxy"
sampling:
    sampler: "always_off"
    samplerArg: "0"

routing:
servicePort: 8000
proxy:
    image: ghcr.io/llm-d/llm-d-routing-sidecar:v0.5.0
    connector: nixlv2
    secure: false

decode:
parallelism:
    tensor: 4
create: true
replicas: 4
modelCommand: custom
extraConfig:
    nodeSelector:
    cloud.google.com/gke-tpu-accelerator: "tpu-v6e-slice"
    cloud.google.com/gke-tpu-topology: "2x2"
monitoring:
    podmonitor:
    enabled: true
    portName: "vllm"
    path: "/metrics"
    interval: "30s"
containers:
    - name: "vllm"
    image: "vllm/vllm-tpu:nightly"
    command:
        - "/bin/bash"
        - "-c"
        - |
            # ROLE: kv_consumer (Receives KV cache from prefill)
            KV_CONFIG="{\"kv_connector\":\"TPUConnector\", \"kv_connector_module_path\" : \"tpu_inference.distributed.tpu_connector\", \"kv_role\":\"kv_consumer\", \"kv_ip\" : \"$POD_IP\"}"
            echo "KV_CONFIG=$KV_CONFIG"
            python3 -m vllm.entrypoints.openai.api_server \
            --model "Qwen/Qwen3-32B" \
            --port 8200 \
            --tensor-parallel-size 4 \
            --kv-transfer-config "${KV_CONFIG}" \
            --disable-uvicorn-access-log \
            --max-num-seqs 256 \
            --block-size 128 \
            --gpu-memory-utilization 0.90 \
            --max-model-len 8192
    env:
        - name: POD_IP
        valueFrom:
            fieldRef:
            fieldPath: status.podIP
        - name: TPU_SIDE_CHANNEL_PORT
        value: "9600"
        - name: TPU_KV_TRANSFER_PORT
        value: "9100"
    ports:
        - containerPort: 8200
        name: vllm
        protocol: TCP
        - containerPort: 9100
        name: tpu-kv-transfer
        protocol: TCP
        - containerPort: 9600
        name: tpu-coord
        protocol: TCP
    resources:
        limits:
        memory: 64Gi
        cpu: "16"
        google.com/tpu: 4
        requests:
        memory: 64Gi
        cpu: "16"
        google.com/tpu: 4
    mountModelVolume: true
    volumeMounts:
        - name: metrics-volume
        mountPath: /.config
        - name: shm
        mountPath: /dev/shm
        - name: torch-compile-cache
        mountPath: /.cache
    startupProbe:
        httpGet:
        path: /health
        port: vllm
        initialDelaySeconds: 15
        periodSeconds: 30
        timeoutSeconds: 5
        failureThreshold: 120
    livenessProbe:
        httpGet:
        path: /health
        port: vllm
        periodSeconds: 10
        timeoutSeconds: 5
        failureThreshold: 3
    readinessProbe:
        httpGet:
        path: /v1/models
        port: vllm
        periodSeconds: 5
        timeoutSeconds: 2
        failureThreshold: 3
volumes:
    - name: metrics-volume
    emptyDir: {}
    - name: shm
    emptyDir:
        medium: Memory
        sizeLimit: "16Gi"
    - name: torch-compile-cache
    emptyDir: {}

prefill:
parallelism:
    tensor: 4
create: true
replicas: 4
modelCommand: custom
extraConfig:
    nodeSelector:
    cloud.google.com/gke-tpu-accelerator: "tpu-v6e-slice"
    cloud.google.com/gke-tpu-topology: "2x2"
monitoring:
    podmonitor:
    enabled: true
    portName: "vllm"
    path: "/metrics"
    interval: "30s"
containers:
    - name: "vllm"
    image: "vllm/vllm-tpu:nightly"
    command:
        - "/bin/bash"
        - "-c"
        - |
            # ROLE: kv_producer (Sends KV cache to decode)
            KV_CONFIG="{\"kv_connector\":\"TPUConnector\", \"kv_connector_module_path\" : \"tpu_inference.distributed.tpu_connector\", \"kv_role\":\"kv_producer\", \"kv_ip\" : \"$POD_IP\"}"
            echo "KV_CONFIG=$KV_CONFIG"
            python3 -m vllm.entrypoints.openai.api_server \
            --model "Qwen/Qwen3-32B" \
            --port 8200 \
            --tensor-parallel-size 4 \
            --kv-transfer-config "${KV_CONFIG}" \
            --disable-uvicorn-access-log \
            --enable-chunked-prefill \
            --block-size 128 \
            --gpu-memory-utilization 0.90 \
            --max-model-len 8192
    env:
        - name: POD_IP
        valueFrom:
            fieldRef:
            fieldPath: status.podIP
        - name: TPU_SIDE_CHANNEL_PORT
        value: "9600"
        - name: TPU_KV_TRANSFER_PORT
        value: "9100"
    ports:
        - containerPort: 8200
        name: vllm
        protocol: TCP
        - containerPort: 9100
        name: tpu-kv-transfer
        protocol: TCP
        - containerPort: 9600
        name: tpu-coord
        protocol: TCP
    resources:
        limits:
        memory: 64Gi
        cpu: "16"
        google.com/tpu: 4
        requests:
        memory: 64Gi
        cpu: "16"
        google.com/tpu: 4
    mountModelVolume: true
    volumeMounts:
        - name: metrics-volume
        mountPath: /.config
        - name: shm
        mountPath: /dev/shm
        - name: torch-compile-cache
        mountPath: /.cache
    startupProbe:
        httpGet:
        path: /health
        port: vllm
        initialDelaySeconds: 15
        periodSeconds: 30
        timeoutSeconds: 5
        failureThreshold: 120
    livenessProbe:
        httpGet:
        path: /health
        port: vllm
        periodSeconds: 10
        timeoutSeconds: 5
        failureThreshold: 3
    readinessProbe:
        httpGet:
        path: /v1/models
        port: vllm
        periodSeconds: 5
        timeoutSeconds: 2
        failureThreshold: 3
volumes:
    - name: metrics-volume
    emptyDir: {}
    - name: shm
    emptyDir:
        medium: Memory
        sizeLimit: "16Gi"
    - name: torch-compile-cache
    emptyDir: {}
EOF
  4. llm-d-এর Helm চার্ট ব্যবহার করে সার্ভিস এবং গেটওয়ে ডিপ্লয় করুন : 
    cd llm-d/guides/pd-disaggregation/
helmfile apply -e gke_tpu -n $NAMESPACE
kubectl apply -f ./httproute.gke.yaml
  5. vLLM পরিষেবাগুলি চালু হওয়ার জন্য অপেক্ষা করুন। "INFO: Application startup complete" না দেখা পর্যন্ত ডিকোড এবং প্রিফিল POD লগগুলি পর্যবেক্ষণ করুন। 
    DECODE_POD=$(kubectl get pods -l llm-d.ai/modelservice-role=decode -o jsonpath='{.items[0].metadata.name}')

# Get the first Prefill pod name
PREFILL_POD=$(kubectl get pods -l llm-d.ai/modelservice-role=prefill -o jsonpath='{.items[0].metadata.name}')

echo "Run each of these until vLLM starts successfully and then ctrl-C out"
echo "kubectl logs -f $DECODE_POD -c vllm"
echo "kubectl logs -f $PREFILL_POD -c vllm"

৭. পরীক্ষা স্থাপনের প্রতিক্রিয়া

নিচের স্ক্রিপ্টটি GKE ইনফারেন্স গেটওয়ের মাধ্যমে সার্ভিং ক্লাস্টারের সাথে সংযোগ পরীক্ষা করবে এবং তারপর একটি বেঞ্চমার্কিং পরীক্ষা চালাবে।

  1. সংযোগ পরীক্ষা করুন এবং বেঞ্চমার্ক চালান :
    cat <<EOBF > ./run_benchmark.sh
#!/bin/bash

# Configuration
NAMESPACE="default"
JOB_NAME="qwen3-pd-benchmark"
MODEL_NAME="Qwen/Qwen3-32B"

echo "🔍 Discovering Gateway IP..."
GATEWAY_IP=$(kubectl get gateway -n ${NAMESPACE} -o jsonpath='{.items[0].status.addresses[0].value}')

if [ -z "$GATEWAY_IP" ]; then
    echo "❌ Error: Could not find Gateway IP. Check 'kubectl get gateway'."
    exit 1
fi

TARGET_URL="http://${GATEWAY_IP}"
echo "✅ Found Gateway at: $TARGET_URL"

echo "🗑️  Cleaning up old benchmark jobs..."
kubectl delete job $JOB_NAME --ignore-not-found=true

echo "🚀 Generating and applying Benchmark Job..."
cat <<EOF | kubectl apply -f -
apiVersion: batch/v1
kind: Job
metadata:
name: $JOB_NAME
namespace: $NAMESPACE
spec:
template:
    spec:
    containers:
    - name: llm-benchmark
        image: vllm/vllm-openai:latest
        command: ["/bin/bash", "-c"]
        args:
        - |
            # 1. Download dataset
            if [ ! -f /data/sharegpt.json ]; then
            echo "Downloading ShareGPT dataset..."
            curl -L "https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json" -o /data/sharegpt.json
            fi

            # 2. Wait for Gateway readiness
            echo "Checking connectivity to $MODEL_NAME..."
            until curl -s "$TARGET_URL/v1/models" | grep -q "$MODEL_NAME"; do
            echo "Waiting for Gateway backends to sync..."
            sleep 10
            done

            # 3. Run Benchmark
            vllm bench serve \\
            --base-url "$TARGET_URL" \\
            --model "$MODEL_NAME" \\
            --dataset-name "sharegpt" \\
            --dataset-path "/data/sharegpt.json" \\
            --request-rate 80.0 \\
            --num-prompts 2000 \\
            --tokenizer "$MODEL_NAME"
        volumeMounts:
        - name: dataset-volume
        mountPath: /data
    restartPolicy: Never
    volumes:
    - name: dataset-volume
        emptyDir: {}
EOF

echo "⏳ Job submitted. Follow logs with:"
echo "kubectl logs -f job/$JOB_NAME"
EOBF

chmod a+x ./run_benchmark.sh

./run_benchmark.sh
    আপনি প্রক্রিয়াকৃত অনুরোধ এবং লেটেন্সি মেট্রিক্স সম্বলিত আউটপুট দেখতে পাবেন।

৮. পরিষ্কার করুন

আপনার গুগল ক্লাউড অ্যাকাউন্টে চলমান চার্জ এড়াতে, এই কোডল্যাব চলাকালীন তৈরি করা রিসোর্সগুলো মুছে ফেলুন।

আপনার অ্যাসেটগুলো পরিষ্কার করতে নিম্নলিখিত ধাপগুলো অনুসরণ করুন: 

# 1. Delete LeaderWorkerSet and Helm release
kubectl delete leaderworkerset qwen-simple-anywhere-cache --ignore-not-found
helm uninstall lws --namespace lws-system 2>/dev/null
kubectl delete namespace lws-system --ignore-not-found

# 2. Delete GKE Node Pools
# Note: Usually deleting the cluster deletes the node pools, 
# but explicit deletion ensures it's gone before the cluster teardown begins.
for i in {1..8}
do
	gcloud container node-pools delete "tpu-v6e-single-$i" \
	    --cluster="${CLUSTER_NAME}" \
	    --region="${REGION}" \
	    --project="${PROJECT_ID}" --quiet

done

# 3. Delete GKE Cluster
gcloud container clusters delete "${CLUSTER_NAME}" \
    --region="${REGION}" \
    --project="${PROJECT_ID}" --quiet

echo "--- Starting IAM and Service Account Cleanup ---"

# 1. Define the full Service Account email for clarity
SA_EMAIL="tpu-reader-sa@${PROJECT_ID}.iam.gserviceaccount.com"

# 2. Remove Storage Bucket IAM Binding
# This removes the 'objectViewer' role from the specific bucket
gcloud storage buckets remove-iam-policy-binding gs://inf-demo-model-storage \
    --member="serviceAccount:${SA_EMAIL}" \
    --role="roles/storage.objectViewer" --quiet

# 3. Remove Workload Identity Binding
# This severs the link between the GKE KSA and the GCP SA
gcloud iam service-accounts remove-iam-policy-binding "${SA_EMAIL}" \
    --role="roles/iam.workloadIdentityUser" \
    --member="serviceAccount:${PROJECT_ID}.svc.id.goog[default/default]" --quiet

# 4. Delete the Service Account
gcloud iam service-accounts delete "${SA_EMAIL}" --project="${PROJECT_ID}" --quiet

echo "IAM cleanup complete!"

echo "--- Starting Network and Firewall Cleanup ---"

# 4. Delete Firewall Rules (Must go before the Network)
gcloud compute firewall-rules delete \
    "${GVNIC_NETWORK_PREFIX}-allow-ssh" \
    "${GVNIC_NETWORK_PREFIX}-allow-icmp" \
    "${GVNIC_NETWORK_PREFIX}-allow-internal" \
    "ray-allow-internal" \
    --project="${PROJECT_ID}" --quiet

# 5. Delete Subnets (Must go before the Network)
gcloud compute networks subnets delete "${GVNIC_NETWORK_PREFIX}-tpu" \
    --region="${REGION}" \
    --project="${PROJECT_ID}" --quiet

gcloud compute networks subnets delete "${GVNIC_NETWORK_PREFIX}-proxy-sub" \
    --region="${REGION}" \
    --project="${PROJECT_ID}" --quiet

gcloud compute networks subnets delete "proxy-only-subnet" \
    --region="${REGION}" \
    --project="${PROJECT_ID}" --quiet

# 6. Finally, delete the VPC Network
gcloud compute networks delete "${GVNIC_NETWORK_PREFIX}-main" \
    --project="${PROJECT_ID}" --quiet

echo "Cleanup complete!"

৯. অভিনন্দন

অভিনন্দন! আপনি llm-d এবং GKE ব্যবহার করে বিচ্ছিন্ন v6e TPU-গুলিতে Qwen3-32B সফলভাবে স্থাপন করেছেন।

আপনি যা শিখেছেন

  • উচ্চ-গতির টিপিইউ ট্র্যাফিকের জন্য কাস্টম নেটওয়ার্কিং কীভাবে কনফিগার করবেন
  • GKE-তে সংরক্ষিত TPU নোড পুল কীভাবে প্রোভিশন করতে হয়।
  • প্রিফিল এবং ডিকোড ওয়ার্কলোড আলাদা করার জন্য কীভাবে llm-d স্থাপন করবেন।

পরবর্তী পদক্ষেপ