使用KubeFATE快速部署联邦学习实验开发环境（一）

本文作者系VMware云原生实验室工程师 陈家豪

概述
FATE(Federated AI Technology)是一个联邦学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和建模。但由于其系统的分布式特性，导致使用存在一定门槛。鉴于此，VMware联合微众银行一起开发了KubeFATE项目，致力于降低FATE的使用门槛和系统运维成本。本文将首先分析FATE的整体架构，帮助读者理解各部件的作用；然后将展示如何从一台Linux机器开始，通过KubeFATE一步一步来搭建联邦学习的实验环境。

FATE整体架构
一个正常工作的FATE集群里面包含了若干组件，其中有些负责任务调度、有些负责存储，各个组件各司其职，联合起来一起完成任务。一个FATE集群所包含的组件如下图所示。

图1 FATE整体架构图

各个服务的功能描述如下：

• FATE Flow：该服务分为Client和Server两部分，其中Client部分由用户使用，用于向FATE集群提交联邦学习任务；FATE Flow Server是FATE集群对外提供服务的入口，同时它也负责调度、执行用户提交的任务请求和协调任务参与方。
• MySQL：与任务相关的一些元数据，如创建时间，状态都会存在MySQL中。
• EGG/ROLL：向训练任务提供了分布式计算和存储能力。
• Meta Service：一组数据或一个文件，可以被切片并分布在不同的Egg上，Meta service负责管理和定位文件的切片信息。
• Federation：由于联邦学习的特殊性质，在训练中，各个参与方之间往往会进行若干次数据互换。该服务为训练任务提供发送和接受数据的功能。
• Proxy：该服务是一个反向代理，是FATE集群对外（训练其他参与方）的唯一入口。
• FATE Board：向用户提供训练任务的可视化。
• FATE Serving：在线推理服务，用户可以把训练好模型推送到该服务后作在线推理。

KubeFATE简介
由于FATE集群包含了众多服务，并且每一个服务的启动都需要不同的配置和依赖，以至于使用存在一定门槛。此外由于多个服务之间有相互依赖，一个服务的失败可能导致整个集群的不可用，这给系统的运维也带来了一定的挑战。基于这个出发点，VMware和微众联合开发了KubeFATE项目，致力于解决联邦学习的使用门槛和降低运维的成本。目前，KubeFATE和FATE最新的版本为1.3.0，本文后续所有与它们相关的操作都将基于此版本。

由于KubeFATE使用了容器技术对FATE进行了封装，因此相对于传统的安装部署，使用KubeFATE有以下优点：

1. 使用简单，免除缺失依赖软件包的烦恼。
2. 配置方便，一个配置文件就能部署多套集群。
3. 管理灵活，可按需增减集群规模。
4. 适用于云环境。

目前KubeFATE支持使用Docker-Compose和Kubernetes两种方式来部署和管理FATE集群，分别面向了测试开发和生产这两种使用场景。本文主要关注于测试开发的部署，因此在接下来的部署中会使用Docker-Compose这种方式。