1 PageAttention引入的原因
PageAttention的引入主要是为了解决大型语言模型（LLM）在服务过程中遇到的内存管理低效问题，具体原因如下：
- 内存碎片化：传统的KV cache（Key-Value cache）管理方式在处理不同长度的请求时，预分配连续的块内存给每个请求，导致内存碎片化和冗余复制，造成内存浪费。
- 内存利用率低：在实际使用中，KV cache的利用率只有20.4%到38.2%，说明当前的内存管理机制没有充分利用可用的内存空间。
- 缺乏灵活的内存共享机制：现有的系统没有实现有效的KV cache共享，而这是许多大模型解码算法中所需要的。
2 PageAttention的方案
为了解决这些问题，PageAttention借鉴了操作系统中的虚拟内存和分页技术，实现了以下架构和优化：
- 块级别的内存管理：PageAttention将请求的KV cache放入块中，每个块可以存储固定数量tokens的attention keys和values，不需要连续的空间。这减少了内部的碎片化，同时也不需要为所有的请求都预留固定数目的内存大小。
- 灵活的KV cache共享机制：通过虚拟内存的技术，PageAttention使得KV cache的存储更加灵活，提高了利用率，允许跨请求共享，进一步减少内存使用。
- 高效内存管理：vLLM大模型服务系统实现了近乎零浪费的KV cache内存机制，通过PageAttention，内存管理变得更加高效，减少了内存浪费。
- 高吞吐量和低延迟：实验结果显示，vLLM比流行的大模型有更低的延时，大概是2～4倍。此外，越长的句子，越大的模型，越复杂的decoding算法，相对提升更明显。
PageAttention的实现架构包括：
- Paged KV Cache：将KV cache分割成多个页面，每个页面存储一定数量的tokens，允许非连续存储，减少内存碎片。
- CUDA并行计算：在GPU上利用CUDA的并行计算能力，PageAttention可以在GPU上实现高效的矩阵运算和注意力计算，进一步提升模型的处理速度和性能。
- V1和V2版本：vLLM中有两个版本的PageAttention，使用一个简单的启发式方法来决定是使用V1还是V2版本。V1适合长度小于8192或者num_seqs * num_heads>512的情况。
通过这些架构和优化，PageAttention显著提高了大型语言模型的服务效率，降低了延迟，提升了整体性能。
3 与标准注意力机制的区别
- 标准注意力机制通常需要一次性处理整个序列，这在序列很长时可能导致计算效率低下和内存使用过多。
- Paged Attention 通过将序列分段处理，减轻了这些问题，使得模型能够在更长的序列上工作，同时保持较低的计算成本。
Paged Attention 是一种较为高级的技术，它的实现通常需要在具体的应用框架中找到相关的API支持，或者自己编写代码来实现这种机制。在华为昇腾AI处理器的API文档中提到的 PagedAttentionOperation 就是这样一种操作，它提供了分页注意力机制的具体实现方式。
4 Ascend上的实现
ascend上的PagedAttention实现为，它是可通过atb算子实现。参考如下：
ATB中的PagedAttention算子
