XGBoost Operator源码分析

1 Overview

分布式的 XGBoost 可以用 Spark 来跑，当然也支持用其他分布式的方法去跑，比如用 XGBoost Operator，可以很轻松的实现 XGBoost 算法的分布式执行。

2 Code

目前在 Kubeflow 的框架下去开发一个机器学习相关的 Operator 已经比较容易了，首先 kubebuilder 打造好 Operator 的框架，然后通过 Kubeflow 社区抽象的 common 包，在新的 Operator 下调整业务逻辑还是比较简单的。XGBoost Operator 也是在这样的背景下诞生的，所以可以看到其源码是相对 tf-operator 这些 Kubeflow 早起的项目，代码会更加简练清晰一点。

重点分析 XGBoost Operator 的 Reconcile 协调方法。

func (r *ReconcileXGBoostJob) Reconcile(request reconcile.Request) (reconcile.Result, error) {
	// Fetch the XGBoostJob instance
	xgboostjob := &v1alpha1.XGBoostJob{}
	err := r.Get(context.Background(), request.NamespacedName, xgboostjob)
	if err != nil {
		if errors.IsNotFound(err) {
			// Object not found, return.  Created objects are automatically garbage collected.
			// For additional cleanup logic use finalizers.
			return reconcile.Result{}, nil
		}
		// Error reading the object - requeue the request.
		return reconcile.Result{}, err
	}

	// Check reconcile is required.
	needSync := r.satisfiedExpectations(xgboostjob)

	if !needSync || xgboostjob.DeletionTimestamp != nil {
		log.Info("reconcile cancelled, job does not need to do reconcile or has been deleted",
			"sync", needSync, "deleted", xgboostjob.DeletionTimestamp != nil)
		return reconcile.Result{}, nil
	}
	// Set default priorities for xgboost job
	scheme.Scheme.Default(xgboostjob)

	// Use common to reconcile the job related pod and service
	err = r.xgbJobController.ReconcileJobs(xgboostjob, xgboostjob.Spec.XGBReplicaSpecs, xgboostjob.Status.JobStatus, &xgboostjob.Spec.RunPolicy)

	if err != nil {
		logrus.Warnf("Reconcile XGBoost Job error %v", err)
		return reconcile.Result{}, err
	}

	return reconcile.Result{}, err
}

实际上，自定义资源对象 XGBoostJob 由 XGBoost Operator 的 Reconcile 方法来协调就可以了，因为这个方法的背后，是 Kubeflow 的 common 包，会统一再做 Pod/Service 的协调的，所以开发者只要专注自定义资源的协调就够了。

就这？对的，就是挺简单的。

3 Test

下面运行一个 XGBoost Opearator 提供的 Demo。

按照官方文档，build 镜像。

docker build -f Dockerfile -t kubeflow/xgboost-dist-rabit-test:1.2 ./

镜像里主要运行的代码是 xgboost_smoke_test.py。

Master 正常运行的日志。

Worker 正常运行的日志。

这个 smoke test 仅仅是建立一个 rabit 拓扑并进行通信的简单例子，运行成功说明 XGBoost Operator 的部署也是成功的，因为 worker 之间以及与 master 通过 pod ip 是可以建立 tcp 连接的。

4 Summary

目前在 Kubeflow Common 包的框架下开发一个分布式的机器学习 Operator 还是比较方便的。