TensorFlow on Kubernetes的架构与实践

这两年，Kubernetes在各个企业中的DevOps、微服务方向取得了出色的成绩，从2017年开始，越来越多的企业也开始探索将Kubernetes应用到HPC、AI等领域。随着公司AI业务的迅猛增长，vivo在2017年9月也开始基于Kubernetes强大的分布式能力，探索与TensorFlow等ML框架深度整合，提高数据中心资源利用率，加快算法迭代速度。

 

Kubernetes在AI中的应用与在DevOps中部署App相比，最大的差别在于容器的规模以及容器生命周期。在我们的实践中，目前集群服务器规模很小的情况下，每天要调度近10W的容器，有很多容器可能只运行了十几分钟甚至几分钟，而且计划在2018年，集群规模还要翻十倍。在DevOps场景，应用发布频率再高，我相信一年下来能调度10W容器的企业并不多。下面我将聊一下TensorFlow on Kubernetes的架构及在vivo的实践。

 

分布式TensorFlow

 

TensorFlow是一个使用数据流图进行数值计算的开源软件库。图中的节点代表数学运算，而图中的边则代表在这些节点之间传递的多维数组（张量）。这种灵活的架构可让您使用一个API将计算工作部署到桌面设备、服务器或者移动设备中的一个或多个CPU或GPU。 关于TensorFlow的基础概念，我就不多介绍了。

 

单机TensorFlow

 

下面是一个单机式TensorFlow训练示意图，通过Client提交Session，定义这个worker要用哪个CPU/GPU做什么事。

 

 

分布式TensorFlow

 

2016年4月TensorFlow发布了0.8版本宣布支持分布式计算，我们称之为Distributed TensorFlow。这是非常重要的一个特性，因为在AI的世界里，训练的数据量和模型参数通常会非常大。比如Google Brain实验室今年发表的论文《Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer》中提到一个680亿个Parameters的模型，如果只能单机训练，那耗时难于接受。通过Distributed TensorFlow，可以利用大量服务器构建分布式TensorFlow集群来提高训练效率，减少训练时间。

 

通过TensorFlow Replcation机制，用户可以将SubGraph分布到不同的服务器中进行分布式计算。TensorFlow的副本机制又分为两种，In-graph和Between-graph。

 

In-graph Replication简单来讲，就是通过单个client session定义这个TensorFlow集群的所有task的工作。

 

 

与之相对地，Between-graph Replication就是每个worker都有独立的client来定义自己的工作。

 

 

下面是抽象出来的分布式TensorFlow Framework如下：

 

 

我们先来了解里面的几个概念：

 

Cluster

 

一个TensorFlow Cluster有一个或多个jobs组成，每个job又由一个或多个tasks构成。Cluster的定义是通过tf.train.ClusterSpec来定义的。比如，定义一个由3个worker和2个PS的TensorFlow Cluster的ClusterSpec如下：

 

tf.train.ClusterSpec({
    "worker": [
        "worker0.example.com:2222",  //主机名也可以使用IP
        "worker1.example.com:2222",
        "worker2.example.com:2222"
    ],
    "ps": [
        "ps0.example.com:2222",
        "ps1.example.com:2222"
    ]})

 

Client

 

Client用来build一个TensorFlow Graph，并构建一个tensorflow::Session用来与集群通信。一个Client可以与多个TensorFlow Server交互，一个Server能服务多个Client。

 

Job

 

一个Job由tasks list组成，Job分PS和Worker两种类型。PS即parameter server，用来存储和更新variables的，而Worker可以认为是无状态的，用来作为计算任务的。Workers中，一般都会选择一个chief worker（通常是worker0），用来做训练状态的checkpoint，如果有worker故障，那么可以从最新checkpoint中restore。

 

Task

 

每个Task对应一个TensorFlow Server，对应一个单独的进程。一个Task属于某个Job，通过一个index来标记它在对应Job的tasks中的位置。每个TensorFlow均实现了Master service和Worker service。Master service用来与集群内的worker services进行gRPC交互。Worker service则是用local device来计算Subgraph。

 

关于Distributed TensorFlow的更多内容，请参考官方内容：www.tensorflow.org/deplopy/distributed。

 

分布式TensorFlow的缺陷

 

分布式TensorFlow能利用数据中心所有服务器构成的资源池，让大量PS和Worker能分布在不同的服务器进行参数存储和训练，这无疑是TensorFlow能否在企业落地的关键点。然而，这还不够，它还存在一下先天不足：

 

• 训练时TensorFlow各个Task资源无法隔离，很有可能会导致任务间因资源抢占互相影响。

• 缺乏调度能力，需要用户手动配置和管理任务的计算资源。

• 集群规模大时，训练任务的管理很麻烦，要跟踪和管理每个任务的状态，需要在上层做大量开发。

• 用户要查看各个Task的训练日志需要找出对应的服务器，并ssh过去，非常不方便。

• TensorFlow原生支持的后端文件系统只支持：标准Posix文件系统（比如NFS）、HDFS、GCS、memory-mapped-file。大多数企业中数据都是存在大数据平台，因此以HDFS为主。然而，HDFS的Read性能并不是很好。

• 当你试着去创建一个大规模TensorFlow集群时，发现并不轻松。

 

 

TensorFlow on Kubernetes架构与原理

 

TensorFlow的这些不足，正好是Kubernetes的强项：

 

• 提供ResourceQuota、LimitRanger等多种资源管理机制，能做到任务之间很好的资源隔离。

• 支持任务的计算资源的配置和调度。

• 训练任务以容器方式运行，Kubernetes提供全套的容器PLEG接口，因此任务状态的管理很方便。

• 轻松对接EFK/ELK等日志方案，用户能方便的查看任务日志。

• 支持Read性能更优秀的分布式存储（GlusterFS），但目前我们也还没对接GlusterFS，有计划但没人力。

• 通过声明式文件实现轻松快捷的创建一个大规模TensorFlow集群。

 

TensorFlow on Kubernetes架构

 

 

TensorFlow on Kubernetes原理

 

在我们的TensorFlow on Kubernetes方案中，主要用到以下的Kubernetes对象：

 

Kubernetes Job

 

我们用Kubernetes Job来部署TensorFlow Worker，Worker训练正常完成退出，就不会再重启容器了。注意Job中的Pod Template restartPolicy只能为Never或者OnFailure，不能为Always，这里我们设定restartPolicy为OnFailure，worker一旦异常退出，都会自动重启。但是要注意，要保证worker重启后训练能从checkpoint restore，不然worker重启后又从step 0开始，可能跑了几天的训练就白费了。如果你使用TensorFlow高级API写的算法，默认都实现了这点，但是如果你是使用底层Core API，一定要注意自己实现。

 

kind: Job
apiVersion: batch/v1
metadata:
  name: {{ name }}-{{ task_type }}-{{ i }}
  namespace: {{ name }}
spec:
  template:
    metadata:
      labels:
        name: {{ name }}
        job: {{ task_type }}
        task: "{{ i }}"
    spec:
      imagePullSecrets:
      - name: harborsecret
      containers:
      - name: {{ name }}-{{ task_type }}-{{ i }}
        image: {{ image }}
        resources:
          requests:
            memory: "4Gi"
            cpu: "500m"
        ports:
        - containerPort: 2222
        command: ["/bin/sh", "-c", "export CLASSPATH=.:/usr/lib/jvm/java-1.8.0/lib/tools.jar:$(/usr/lib/hadoop-2.6.1/bin/hadoop classpath --glob); wget -r -nH  -np --cut-dir=1 -R 'index.html*,*gif'  {{ script }}; cd ./{{ name }}; sh ./run.sh {{ ps_hosts() }} {{ worker_hosts() }} {{ task_type }} {{ i }} {{ ps_replicas }} {{ worker_replicas }}"]
      restartPolicy: OnFailure

 

Kubernetes Deployment

 

TensorFlow PS用Kubernetes Deployment来部署。为什么不像worker一样，也使用Job来部署呢？其实也未尝不可，但是考虑到PS进程并不会等所有worker训练完成时自动退出（一直挂起），所以使用Job部署没什么意义。

 

kind: Deployment
apiVersion: extensions/v1beta1
metadata:
  name: {{ name }}-{{ task_type }}-{{ i }}
  namespace: {{ name }}
spec:
  replicas: 1
  template:
    metadata:
      labels:
        name: {{ name }}
        job: {{ task_type }}
        task: "{{ i }}"
    spec:
      imagePullSecrets:
      - name: harborsecret
      containers:
      - name: {{ name }}-{{ task_type }}-{{ i }}
        image: {{ image }}
        resources:
          requests:
            memory: "4Gi"
            cpu: "500m"
        ports:
        - containerPort: 2222
        command: ["/bin/sh", "-c","export CLASSPATH=.:/usr/lib/jvm/java-1.8.0/lib/tools.jar:$(/usr/lib/hadoop-2.6.1/bin/hadoop classpath --glob); wget -r -nH  -np --cut-dir=1 -R 'index.html*,*gif'  {{ script }}; cd ./{{ name }}; sh ./run.sh {{ ps_hosts() }} {{ worker_hosts() }} {{ task_type }} {{ i }} {{ ps_replicas }} {{ worker_replicas }}"]
      restartPolicy: Always

 

关于TensorFlow PS进程挂起的问题，请参考：https://github.com/tensorflow/tensorflow/issues/4713。我们是这么解决的，开发了一个模块，watch每个TensorFlow集群的所有worker状态，当所有worker对应Job都Completed时，就会自动去删除PS对应的Deployment，从而kill PS进程释放资源。

 

Kubernetes Headless Service

 

Headless Service通常用来解决Kubernetes里面部署的应用集群之间的内部通信。在这里，我们也是这么用的，我们会为每个TensorFlow对应的Job和Deployment对象都创建一个Headless Service作为Worker和PS的通信代理。

 

kind: Service
apiVersion: v1
metadata:
  name: {{ name }}-{{ task_type }}-{{ i }}
  namespace: {{ name }}
spec:
  clusterIP: None
  selector:
    name: {{ name }}
    job: {{ task_type }}
    task: "{{ i }}"
  ports:
  - port: {{ port }}
    targetPort: 2222

 

用Headless Service的好处，就是在KubeDNS中，Service Name的域名解析直接对应到PodIp，而没有service VIP这一层，这就不依赖于kube-proxy去创建iptables规则了。少了kube-proxy的iptables这一层，带来的性能的提升。

 

 

在TensorFlow场景中，这是不可小觑的，因为一个TensorFlow Task都会创建一个service，几万个service是很正常的事，如果使用Normal Service，iptables规则就几十万上百万条了，增删一条iptabels规则耗时几个小时甚至几天，集群早已奔溃。关于kube-proxy iptables模式的性能测试数据，请参考华为PaaS团队的相关分享。

 

KubeDNS Autoscaler

 

前面提到，每个TensorFlow Task都会创建一个service，都会在KubeDNS中有一条对应的解析规则，但service数量太多的时候，我们发现有些Worker的域名解析失败概率很大，十几次才能成功解析一次。这样会影响TensorFlow集群内各个task的session建立，可能导致TensorFlow集群起不来。

 

为了解决这个问题，我们引入了Kubernetes的孵化项目kubernetes-incubator/cluster-proportional-autoscaler来对KubeDNS进行动态伸缩。

 

TensorFlow on Kubernetes实践

 

基于上面的方案，我们开发一个TaaS平台，已经实现了基本的功能，包括算法管理、训练集群的创建和管理、模型的管理、模型上线（TensorFlow Serving）、一键创建TensorBoard服务、任务资源监控、集群资源监控、定时训练管理、任务日志在线查看和批量打包下载等等，这部分内容可以参考之前在DockOne上分享的文章《vivo基于Kubernetes构建企业级TaaS平台实践》。

 

这只是刚开始，我正在做下面的特性：

 

• 支持基于训练优先级的任务抢占式调度：用户在TaaS上创建TensorFlow训练项目时，可以指定项目的优先级为生产（Production）、迭代（Iteration）、调研（PTR），默认为迭代。优先级从高到低依次为Production --> Iteration --> PTR。但集群资源不足时，按照任务优先级进行抢占式调度。

• 提供像Yarn形式的资源分配视图，让用户对自己的所有训练项目的资源占用情况变得清晰。

• 训练和预测的混合部署，提供数据中心资源利用率。

• ……

 

经验和坑

 

整个过程中，遇到了很多坑，有TensorFlow的，也有Kubernetes的，不过问题最多的还是我们用的CNI网络插件Contiv Netplugin，每次大问题基本都是这个网络插件造成的。Kubernetes是问题最少的，它的稳定性比我预期还要好。

 

• Contiv Netplugin的问题，在DevOps环境中还是稳定的，在大规模高并发的AI场景，问题就层出不穷了，产生大量垃圾IP和Openflow流表，直接把Node都成NotReady了，具体的不多说，因为据我了解，现在用这个插件的公司已经很少了，想了解的私下找我。

   

• 在我们的方案中，一个TensorFlow训练集群就对应一个Kubernetes Namespace，项目初期我们并没有对及时清理垃圾Namespace，到后来集群里上万Namespace的时候，整个Kubernetes集群的相关API性能非常差了，导致TaaS的用户体验非常差。

   

• TensorFlow gRPC性能差，上千个Worker的训练集群，概率性的出现这样的报错：grpc_chttp2_stream request on server; last grpc_chttp2_stream id=231, new grpc_chttp2_stream id=227，只能尝试通过升级TensorFlow来升级gRPC了。目前我们通过增加单个Worker的计算负载来减少Worker数量的方法，减少gRPC压力。除此之外，规模大一点TensorFlow还有各种问题，甚至还有自己的OOM机制，防不胜防。不过，高速成长的东西，我们要给它足够的容忍。

   

• 还有TensorFlow OOM的问题等等。

 

Q&A

 

Q：Worker为什么不直接用Pod，而用的 Job？

A：Kubernetes中是不建议直接使用Pod的，建议通过一个控制器（RS、RC、Deploy、StatefulSets、Job等）来创建和管理Pod。

 

Q：我看训练的时候并没有指定数据集和训练参数等，是都放到训练脚本内了吗，还有训练集是放到Gluster，挂载到容器内吗，还是换存到本地？

A：目前训练数据和参数都是在脚本里用户自己搞定，正在把这些放到Portal，提供“命令行参数自定义”的能力。目前我们的训练数据是从HDFS集群直接走网络读取，Kubernetes本身也没有HDFS的Volume Plugin。

 

Q：请问PS的个数是用户指定还是根据Worker的数量来指派？

A：PS和Worker数都是通过用户指定，但实际上都是用户根据自己的训练数据大小来计算的。

 

Q：分布式训练的时候，Training data是如何分发到各个Worker节点的？Tensorflow API可以做到按节点数自动分发吗？

A：各个Worker都是从HDFS集群读取训练数据加载到内存的。数据的分配都是用户自己在脚本种实现的。

转载于:https://my.oschina.net/shannanzi/blog/1926263