机器学习平台在Kubernetes上的实践

【编者的话】本文回顾总结近一段时间网易云音乐机器学习平台(GoblinLab)在容器化实践的一些尝试。

背景

过去音乐算法的模型训练任务，是在物理机上进行开发、调试以及定时调度。每个算法团队使用属于自己的独立物理机，这种现状会造成一些问题。比如物理机的分布零散，缺乏统一的管理，主要依赖于doc文档的表格记录机器的使用与归属;各业务间机器资源的调配，有时需要机器在不同机房的搬迁，耗时耗力。另外，由于存在多人共用、开发与调度任务共用等情况，会造成环境的相互影，以及资源的争夺。针对当前的情况，总结问题如下：

资源利用率低：部分机器资源利用率偏低;无法根据各个业务的不同阶段，在全局内快速、动态的实现扩缩容，以达到资源的合理配置，提升资源整体利用率;
环境相互影响：存在多人共用、测试与调度混用同一开发机，未做任何的隔离，造成可能的环境、共享资源的相互影响与争夺;
监控报警缺失：物理机模式，任务监控报警功能缺失，导致任务无法运维，或者效率低。

资源没有全局统一的合理调配，会出现负载不均衡，资源不能最大化的利用。

Kubernetes的尝试

在快速的扩缩容、环境隔离、资源监控等方面，Kubernetes及其相关扩展，可以很好的解决问题。现将物理机集中起来，并构建成一个Kubernetes集群。通过分析算法同事以往的工作方式，机器学习平台(GoblinLab)决定尝试基于Kubernetes提供在线的开发调试容器环境以及任务的容器化调度两种方案，其分别针对任务开发和任务调度两种场景。

任务开发

为最大化的减少算法同事由物理机迁移到容器化环境的学习成本，GoblinLab系统中基本将Kubernetes的容器当做云主机使用。容器的镜像以各版本Tensoflow镜像为基础(底层是Ubuntu)，集成了大数据开发环境(Hadoop、Hive、Spark等Client)，安装了常用的软件。另外，为了方便使用，容器环境提供了Jupyter Lab、SSH登录、Code Server(VSCode)三种使用方式。

在GoblinLab中新建容器化开发环境比较简单，只需选择镜像，填写所需的资源，以及需要挂载的外部存储即可(任务开发的环境下文简称开发实例)。

机器学习平台在Kubernetes上的实践

新建环境配置后，点击启动实例，容器初始化时，会自动启动Jupyter lab、SSH以及CodeServer。

机器学习平台在Kubernetes上的实践

Jupyter Lab：

机器学习平台在Kubernetes上的实践

Code Server：

机器学习平台在Kubernetes上的实践

SSH登录：

机器学习平台在Kubernetes上的实践

算法可以选择以上任意一种方式进行任务的开发，或者调试。由于提供了Code Server(VSCode)，所以可以获得更好的体验。

任务开发所用的容器化环境，在底层Kubernetes上是通过StatefulSet类型实现，对应资源编排文件如下(已精简细节)：

kind: StatefulSet

apiVersion: apps/v1

metadata:

name: ${name}

namespace: "${namespace}"

spec:

replicas: 1

selector:

matchLabels:

  statefulset: ${name}

  system/app: ${name}

template:

spec:

  <#if (gpu > 0)>

  tolerations:

      - effect: NoSchedule

        key: nvidia.com/gpu

        value: "true"

  </#if>

  <#if usePrivateRepository == "true">

  imagePullSecrets:

    - name: registrykey-myhub

  </#if>

  volumes:

    - name: localtime

      hostPath:

        path: /etc/localtime

    <#if MountPVCs?? && (MountPVCs?size > 0)>

    <#list MountPVCs?keys as key>

    - name: "${key}"

      persistentVolumeClaim:

        claimName: "${key}"

    </#list>

  containers:

    - name: notebook

      image: ${image}

      imagePullPolicy: IfNotPresent

      volumeMounts:

        - name: localtime

          mountPath: /etc/localtime

        <#if readMountPVCs?? && (readMountPVCs?size > 0)>

        <#list readMountPVCs?keys as key>

        - name: "${key}"

          mountPath: "${readMountPVCs[key]}"

          readOnly: true

        </#list>

        </#if>

        <#if writeMountPVCs?? && (writeMountPVCs?size > 0)>

        <#list writeMountPVCs?keys as key>

        - name: "${key}"

          mountPath: "${writeMountPVCs[key]}"

        </#list>

        </#if>

      env:

        - name: NOTEBOOK_TAG

          value: "${name}"

        - name: HADOOP_USER

          value: "${hadoopUser}"

        - name: PASSWORD

          value: "${password}"

      resources:

        requests:

          cpu: ${cpu}

          memory: ${memory}Gi

          <#if (gpu > 0)>

          nvidia.com/gpu: ${gpu}

          </#if>

        limits:

          cpu: ${cpu}

          memory: ${memory}Gi

          <#if (gpu > 0)>

          nvidia.com/gpu: ${gpu}

          </#if>

目前GolbinLab已提供基于Tensoflow各版本的CPU与GPU通用镜像11个，以及多个定制化镜像。

机器学习平台在Kubernetes上的实践

任务调度

算法同事在使用容器化环境之前，任务的开发调度都是在GPU物理机器上完成，调度一般都是通过定时器或crontab命令调度任务，任务无失败、超时等报警，以及也没有重试等机制，基本无相关的任务运维工具。

在介绍容器中开发的任务如何上线调度之前，先简要介绍一下GoblinLab的系统架构。

机器学习平台在Kubernetes上的实践

上图为GoblinLab简化的系统架构，其中主要分为四层，由上到下分别为：

Application-应用层：提供直接面向用户的机器学习开发平台(GoblinLab)
Middle-中间层：中间层，主要是接入了统一的调度、报警、以及配置等服务
Wizard-执行服务：其提供统一的执行服务，提供包含Kubernetes、Spark、Jar等各类任务的提交执行。插件式，支持快速扩展
Infrastructure-基础设施：底层的基础设施，主要包含Kubernetes集群、Spark集群以及普通服务器等

机器学习平台在Kubernetes上的实践

GolbinLab为了保障调度任务的稳定性，将任务的开发与调度拆分，改变之前算法直接在物理机上开发完任务后，通过定时器或者crontab调度任务的方式。如上图所示，在开发完成后，任务的调度是通过任务流中的容器化任务调度组件实现，用户需填组件的相关参数(代码所在PVC及路径，配置镜像等)，再通过任务流的调度功能实现任务调度。与任务开发不同，每个调度任务执行在独立的容器中，保证任务间相互隔离，同时通过后续介绍的资源隔离方案，可以优先保障线上调度任务所需资源。

机器学习平台在Kubernetes上的实践

任务调度执行的一般流程如下：

机器学习平台在Kubernetes上的实践

任务调度执行时在Kubernetes上资源编排文件(已精简细节)：

apiVersion: batch/v1

kind: Job

metadata:

name: ${name}

namespace: ${namespace}

spec:

template:

spec:

  containers:

    - name: jupyter-job

      image: ${image}

      env:

        - name: ENV_TEST

          value: ${envTest}

      command: ["/bin/bash", "-ic", "cd ${workDir} && \

        ${execCommand} /root/${entryPath} ${runArgs}"]

      volumeMounts:

        - mountPath: "/root"

          name: "root-dir"

      resources:

        requests:

          cpu: ${cpu}

          memory: ${memory}Gi

          <#if (gpu > 0)>

          nvidia.com/gpu: ${gpu}

          </#if>

        limits:

          cpu: ${cpu}

          memory: ${memory}Gi

          <#if (gpu > 0)>

          nvidia.com/gpu: ${gpu}

          </#if>

  volumes:

    - name: "root-dir"

      persistentVolumeClaim:

        claimName: "${pvc}"

backoffLimit: 0

权限控制

容器化开发环境配置启动后，用户可以通过SSH登录、CodeServer或JupyterLab等其中一种方式使用。为了避免容器化开发环境被其他人使用，GoblinLab给每种方式都设置了统一的密钥，而密钥在每次启动时随机生成。

机器学习平台在Kubernetes上的实践

1、随机生成密码

2、设置账号密码(SSH登录密码)

echo "root:${password}" | chpasswd

3、设置Code Server密码 (VSCode)

#设置环境变量PASSWORD即可

env:

- name: PASSWORD

value: "${password}"

4、设置Jupyter Lab密码

jupyter notebook --generate-config，~/.jupyter 目录下生成jupyter_notebook_config.py，并添加代码

import os

from IPython.lib import passwd

c = c  # pylint:disable=undefined-variable

c.NotebookApp.ip = '0.0.0.0'  # https://github.com/jupyter/notebook/issues/3946 c.NotebookApp.port = int(os.getenv('PORT', 8888)) c.NotebookApp.open_browser = False

sets a password if PASSWORD is set in the environment

if 'PASSWORD' in os.environ:

password = os.environ['PASSWORD']

if password:

c.NotebookApp.password = passwd(password)

else:

c.NotebookApp.password = ''

c.NotebookApp.token = ''

del os.environ['PASSWORD']

数据持久化

在Kubernetes容器中，如无特殊配置，容器中的数据是没有进行持久化，这意味着随着容器的删除或者重启，数据就会丢失。对应的解决方法比较简单，只需给需要持久化的目录，挂载外部存储即可。在GoblinLab中，会给每个用户自动创建一个默认的外部存储PVC，并挂载到容器的/root目录。另外，用户也可以自定义外部存储的挂载。

机器学习平台在Kubernetes上的实践

除了自动创建的PVC外，用户也可以自己创建PVC，并支持将创建的PVC只读或者读写分享给其他人。

机器学习平台在Kubernetes上的实践

另外，在Goblinlab上也可以对PVC里的数据进行管理。

机器学习平台在Kubernetes上的实践

服务暴露

Kubernetes集群中创建的服务，在集群外无法直接访问，GoblinLab使用Nginx Ingress + Gateway访问，将集群内的服务暴露到外部。

机器学习平台在Kubernetes上的实践

容器化开发环境的Service资源编排文件如下(已精简细节)：

apiVersion: v1

kind: Service

metadata:

name: ${name}

namespace: ${namespace}

spec:

clusterIP: None

ports:

- name: port-notebook

  port: 8888

  protocol: TCP

  targetPort: 8888

- name: port-sshd

  port: 22

  protocol: TCP

  targetPort: 22

- name: port-vscode

  port: 8080

  protocol: TCP

  targetPort: 8080

- name: port-tensofboard

  port: 6006

  protocol: TCP

  targetPort: 6006

<#if ports?? && (ports?size > 0)>

<#list ports as port>

- name: port-${port}

  port: ${port}

  targetPort: ${port}

</#list>

</#if>

selector:

statefulset: ${name}

type: ClusterIP

每当用户启动一个容器化开发环境，GoblinLab将通过接口自动修改Nginx Ingress配置，将服务暴露出来，以供用户使用，Ingress转发配置如下：

apiVersion: v1

kind: ConfigMap

metadata:

name: tcp-services

namespace: kube-system

data:

"20000": ns/notebook-test:8888

"20001": ns/notebook-test:8080

"20002": ns/notebook-test:22

资源管控

为提高资源的利用率，GoblinLab底层Kubernetes中的资源，基本都是以共享的方式使用，并进行一定比例的超售。但是当多个团队共享一个资源总量固定的集群时，为了确保每个团队公平的共享资源，此时需要对资源进行管理和控制。在Kubernetes中，资源配额就是解决此问题的工具。目前GoblinLab需要管控的资源主要为CPU、内存、GPU以及存储等。平台在考虑各个团队的实际需求后，将资源划分为多个队列(Kubernetes中的概念为namespace)，提供给各个团队使用。

apiVersion: v1

kind: ResourceQuota

metadata:

name: skiff-quota

namespace: test

spec:

hard:

limits.cpu: "2"

limits.memory: 5Gi

requests.cpu: "2"

requests.memory: 5Gi

requests.nvidia.com/gpu: "1"

requests.storage: 10Gi

在集群中，最常见的资源为CPU与内存，由于可以超售(overcommit)，所以存在limits与requests两个配额限制。除此以外，其他资源为扩展类型，由于不允许overcommit，所以只有requests配额限制。参数说明：

limits.cpu：Across all pods in a non-terminal state, the sum of CPU limits cannot exceed this value.
limits.memory： Across all pods in a non-terminal state, the sum of memory limits cannot exceed this value.
requests.cpu：Across all pods in a non-terminal state, the sum of CPU requests cannot exceed this value.
requests.memory：Across all pods in a non-terminal state, the sum of memory requests cannot exceed this value.
http://requests.nvidia.com/gpu：Across all pods in a non-terminal state, the sum of gpu requests cannot exceed this value.
requests.storage：Across all persistent volume claims, the sum of storage requests cannot exceed this value.

可以进行配额控制的资源不仅有CPU、内存、存储、GPU，其他类型参见官方文档：https://kubernetes.io/docs/con ... otas/

资源隔离

GoblinLab的资源隔离，指的是在同一Kubernetes集群中，资源在调度层面的相对隔离，其中包含GPU机器资源的隔离、线上与测试任务的隔离。

GPU机器资源的隔离

在Kubernetes集群中，相对于CPU机器，GPU机器资源较为珍贵，因此为了提供GPU的利用率，禁止CPU任务调度在GPU机器上。

GPU节点设置污点(Taint)：禁止一般任务调度在GPU节点

key:    nvidia.com/gpu

value:  true

effect: NoSchedule

Taint的effect可选配置：

NoSchedule：Pod不会被调度到标记为taints节点。
PreferNoSchedule：NoSchedule的软策略版本。尽量避免将Pod调度到存在其不能容忍taint的节点上。
NoExecute：该选项意味着一旦Taint生效，如该节点内正在运行的Pod没有对应Tolerate设置，会直接被逐出。

GPU任务设置容忍(Toleration)：让GPU任务可以调度在GPU节点

<#if (gpu > 0)>

tolerations:

- effect: NoSchedule

key: nvidia.com/gpu

value: "true"

</#if>

线上与测试任务隔离

线上与测试任务(GolbinLab中线上任务与测试任务为业务层面的定义，指的是周期调度任务和开发测试任务)使用同一Kubernetes集群，但为了保障线上任务的资源，会特殊设置一些机器节点为线上任务的专有资源池。线上任务执行时优先调度在线上节点上，线上资源池无资源时，也可调度于非线上节点。

线上资源池节点设置污点(Taint)：禁止一般任务调度在线上资源池

key:    node.netease.com/node-pool

value:  online

effect: NoSchedule

线上任务添加容忍(Toleration)：允许线上任务调度于线上资源池，但不是必须调度于线上资源池中

tolerations:

- effect: NoSchedule

key: node.netease.com/node-pool

value: "online"

operator: Equal

线上资源池中机器节点设置标签 + 线上任务设置节点亲和性(nodeAffinity)：优先将线上任务调度在线上资源池中，但如果线上资源池中无已资源，此时也可以调度在其他节点上

线上资源池中节点设置标签：为了方便，标签与污点同名：

node.netease.com/node-pool: online

线上任务设置节点亲和性(nodeAffinity)：线上任务优先调度在线上资源池中

affinity:

nodeAffinity:

preferredDuringSchedulingIgnoredDuringExecution:

  nodeSelectorTerms:

    - matchExpressions:

    - key: node.netease.com/node-pool

    operator: In

   values:

    - online

目前Node affinity有以下几种策略，官方文档affinity-and-anti-affinity：

requiredDuringSchedulingIgnoredDuringExecution表示Pod必须部署到满足条件的节点上，如果没有满足条件的节点，就不停重试。其中IgnoreDuringExecution表示Pod部署之后运行的时候，如果节点标签发生了变化，不再满足Pod指定的条件，Pod也会继续运行。
requiredDuringSchedulingRequiredDuringExecution表示Pod必须部署到满足条件的节点上，如果没有满足条件的节点，就不停重试。其中RequiredDuringExecution表示Pod部署之后运行的时候，如果节点标签发生了变化，不再满足Pod指定的条件，则重新选择符合要求的节点。
preferredDuringSchedulingIgnoredDuringExecution表示优先部署到满足条件的节点上，如果没有满足条件的节点，就忽略这些条件，按照正常逻辑部署。
preferredDuringSchedulingRequiredDuringExecution表示优先部署到满足条件的节点上，如果没有满足条件的节点，就忽略这些条件，按照正常逻辑部署。其中RequiredDuringExecution表示如果后面节点标签发生了变化，满足了条件，则重新调度到满足条件的节点。

策略生效后效果如下图所示，线上任务优先执行与线上资源池节点中，但当线上资源池没有空闲资源后，线上任务Job5也可以去使用普通节点的资源。

机器学习平台在Kubernetes上的实践

阶段性结果

截止今日，音乐机器学习平台(GoblinLab)在容器化方面的尝试，已开展了一段时间，并且已经有了阶段性的成果。

集群建设

经过近一段时间的尝试，目前音乐数据平台的Kubernetes，随着承载的业务越来越多，以及基于Kubernetes的大数据计算平台(Flink等)的落地，后续将有大量的CPU资源加入，其稳定性将会成为比较大的挑战。

用户使用

任务迁移：目前协助算法同事已完成80%任务迁移

任务开发

用户情况：已有60%算法同学使用开发实例的容器化环境;其中用户来源包含音乐推荐算法、社交视频推荐算法、搜索算法、音视频、数据应用、实时计算算法等团队
开发实例：平台鼓励组内共用开发实例，限制了每人最多创建3个开发实例
任务调度：覆盖云音乐音乐推荐、社交视频推荐算法、搜索算法、音视频、数据应用、实时计算算法等多个团队

容器化的好处

对于算法同事，由物理机迁移到机器学习平台提供容器化的环境，能够带来的好处是：

更多资源：由于整理资源利用率的提高，将有机会获取到比之前单独使用物理机更多的资源;另外资源扩缩容的周期由之前的以天为单位减少到秒级别即可完成
更好体验：通过打通大数据、Git环境，提供多样化的使用方式(SSH和在线IDE)，由机器学习平台统一维护环境镜像，避免了每个团队需自己搭建、运维环境的苦恼
更完善的任务调度：GoblinLab的调度，提供了更完善的报警、重试、依赖检查等功能，并且能够与之前已有PS、Ironbaby任务的整合，实现在一个任务流的统一调度
更好的隔离：环境隔离是容器化的天然优势。另外资源在调度层面的隔离，可以更好的保障线上任务
统一的入口：统一了开发的入口后，可以有更大的操作空间。例如将通用的服务抽象后由平台直接提供(依赖检查、调度、报警监控等等)、数据的共享、镜像的更新以及后面持续的支持服务等