F5中国推出本地化的基于Token的负载均衡解决方案

　　4月29日消息，随着DeepSeek、Qwen等大模型全面进入企业生产环境，算力过载、服务中断以及高并发下的延迟波动，正逐渐成为制约AI应用规模化落地的关键因素。

　　作为全球领先的应用交付和API安全解决方案提供商，F5中国率先推出本地化的基于词元（Token）的负载均衡解决方案（ Token Based Load Balancing，以下简称“TBLB方案”），用于AI智能推理网关，帮助中国企业在算力资源高度复杂、异构基础设施共存以及高并发需求常态化的情况下，确保推理服务更快、更省、更承压，从而在AI时代创造更大的业务价值。

　　由于中国企业普遍采用异构芯片混合部署，在广泛开展推理服务应用过程中的资源调度问题愈加凸显，甚至成为AI应用规模化落地的关键挑战。

　　在异构芯片混合部署环境下，算力资源的使用效率与调度能力成为关键变量。一方面，算力、模型与推理框架之间的适配程度不一，使部分资源难以在实际业务中充分释放性能；另一方面，不同算力之间存在结构性性能差距，增加了统一调度与资源匹配的复杂度；同时，传统基于请求分发的负载均衡方式难以反映底层算力的实时状态，容易造成资源分配不均，进一步放大性能波动与资源浪费。在多重因素叠加下，企业面临的核心问题，已从“算力是否充足”转向“算力能否被高效、稳定地调度与使用”。

　　F5 中国首推的TBLB方案就是为了破解这一难题，推动AI时代算力交付方式的升级。不同于传统负载均衡（SLB）以“请求数”为核心的分发逻辑，TBLB方案以词元（Token）数量及其对应的计算成本为基础，对推理请求进行精细化调度，将不同长度、不同复杂度的任务分配至与之匹配的算力节点，从而有效避免资源空转或局部过载。

　　该方案引入基于词元（Token）感知与GPU 动态压力的自适应调度机制，能够在运行过程中综合评估推理任务特征与算力状态，包括词元（Token）规模、实时负载与利用率、队列长度、KV Cache使用情况以及实例健康状态等关键指标，并据此动态调整调度策略。通过这一机制，TBLB方案将复杂多变的推理负载转化为可感知、可调度的算力资源，为企业AI业务构建起更加稳定、高效的推理服务基础。

　　AI应用的用户体验，主要取决于首词元（Token）响应时间（TTFT）、单词元（Token）生成时间（TPOT）以及端到端时延（E2EL）。传统负载均衡无法感知推理过程中的真实运行状态，而TBLB方案则通过对GPU负载、词元（Token）队列等关键指标的实时监测，避免请求被调度至“看似空闲、实际拥塞”的节点，从而有效降低等待时间。在实际测试中，TBLB方案在多个行业场景中均表现出显著效果：在新能源汽车场景中，TTFT降低约30%；在金融异构算力环境中，TTFT降低超过40%，同时推理吞吐能力同步提升。这表明，延时优化不再依赖单点性能提升，而是来自整体调度效率的系统性优化。

　　TBLB方案通过对算力池的动态感知与精准分配，使每一个请求都能匹配到当前最合适的执行节点，从而显著提升GPU利用率。在运营商测试场景中，在不增加任何GPU投入的情况下，系统并发能力从400 提升至 700，时延从20秒降低至180毫秒。这一结果表明，TBLB方案的价值不仅在于降低成本，更在于将原本被浪费的算力，转化为可释放的业务能力。

　　另外，TBLB方案支持基于API Key、应用识别及策略规则的优先级控制机制，可在资源紧张时实现优先调度高优先级请求、限制或延迟低优先级任务，并在资源恢复后动态恢复流量。这一能力，使系统在高峰场景下不再被动承压，而是具备可控的资源分配能力。

　　F5中国表示，首推的TBLB方案并不只是一项产品创新，更代表了一种面向 AI 推理时代的基础设施思路。以词元（Token）为单位理解负载，以算力调度定义性能，正在成为新的技术共识。当词元（Token）逐渐取代传统流量成为核心计量单位，企业真正需要掌控的，将不只是模型能力本身，而是如何高效、稳定地调度每一次计算。