KubeFATE: 用云原生技术赋能联邦学习 (二)

用户头像
亨利笔记
关注
发布于: 2020 年 05 月 03 日
KubeFATE: 用云原生技术赋能联邦学习(二)



本文作者系 VMware 云原生实验室工程师陈家豪,FATE / KubeFATE 开源联邦学习项目的贡献者。



概述

在前面的文章中,我们介绍过如何使用KubeFATE来部署一个单节点的FATE联邦学习集群。在真实的应用场景中,联邦学习往往需要多个参与方联合起来一起完成任务。基于此,本文将讲述如何通过 KubeFATE 和 Docker-Compose 来部署两个参与方的FATE集群,并在集群上运行一些简单的测试以验证其功能的完整性。



FATE集群的组网方式

联邦学习的训练任务需要多方参与,如图1所示,每一个 party node 都是一方,并且每个 party node 都有各自的一套FATE集群。而 party node 和 party node 之间的发现方式有两种。分别是点对点和星型。默认情况下,使用 KubeFATE 部署的多方集群会通过点对点的方式组网,但KubeFATE 也可以单独部署 Exchange 服务以支持星型组网。





FATE集群组网方式



部署两方训练的集群

使用 KubeFATE 和 Docker-Compose  部署两方训练的集群

KubeFATE的使用分成两部分,第一部分是生成FATE集群的启动文件(docker-compose.yaml),第二个部分是通过 docker-compose 的方式去启动FATE集群。从逻辑上可将进行这两部分工作的机器分别称为部署机和目标机器。





部署机目标机关系图



目标

两个可以互通的FATE实例,每个实例均包括FATE所有组件,实例分别部署在不同的两台机器上。



准备工作

  1. 两个主机(物理机或者虚拟机,Ubuntu或Centos7系统,允许以root用户登录);

  2. 所有主机安装Docker 版本 : 18+;

  3. 所有主机安装Docker-Compose 版本: 1.24+;

  4. 部署机可以联网,所以主机相互之间可以网络互通;

  5. 运行机已经下载FATE 的各组件镜像



Docker的安装以及FATE镜像的下载请参考前文,接下来我们将把两台主机划分为workspace1和workspace2。其中workspace1既作为部署机也作为目标机,而workspace2则作为目标机,每个机器运行一个FATE实例。这里两台主机的IP分别为192.168.7.1和192.168.7.2。用户需要根据实际情况做出修改。具体部署架构如图所示。



部署架构图



以下操作需在workspace1上并以root用户进行。

下载并解压Kubefate1.3的kubefate-docker-compose.tar.gz资源包



# curl -OL
https://github.com/FederatedAI/KubeFATE/releases/download/v1.3.0/kubefate-docker-compose.tar.gz
# tar -xzf kubefate-docker-compose.tar.gz

定义需要部署的实例数目

根据以上定义party 10000的集群将部署在workspace1上,而party 9999的集群将部署在workspace2上。

 进入docker-deploy目录
# cd docker-deploy/
编辑parties.conf如下
# vi parties.conf
user=root
dir=/data/projects/fate
partylist=(10000 9999)
partyiplist=(192.168.7.1 192.168.7.2)
servingiplist=(192.168.7.1 192.168.7.2)
exchangeip=



更多请参考:KubeFATE:用云原生赋能联邦学习



(全文完)



相关文章:

联邦学习:人工智能的最后一公里

KubeFATE: 用云原生技术赋能联邦学习(一)


如果你对联邦学习感兴趣,可申请加入“KubeFATE开源社区群”交流,入群需要真实身份,并改昵称:姓名@单位。请先关注“亨利笔记”公众号,在公众号后台发送"FATE"信息即可。



发布于: 2020 年 05 月 03 日 阅读数: 47
用户头像

亨利笔记

关注

自由自在 网际穿行 2020.04.25 加入

执着计算机技术爱好者。中国首个CNCF开源项目 Harbor 镜像仓库创始人。联邦学习FATE开源项目TSC成员。《区块链技术指南》作者之一。关注云原生、人工智能和区块链等领域。

评论

发布
暂无评论
KubeFATE: 用云原生技术赋能联邦学习(二)