在 Kubernetes 上弹性深度学习训练利器 -- Elastic Training Operator
作者 | 徐晓舟（萧元）
来源|阿里巴巴云原生公众号
背景
由于云计算在资源成本和弹性扩容方面的天然优势，越来越多客户愿意在云上构建 AI 系统，而以容器、Kubernetes 为代表的云原生技术，已经成为释放云价值的最短路径， 在云上基于 Kubernetes 构建 AI 平台已经成为趋势。
当面临较复杂的模型训练或者数据量大时，单机的计算能力往往无法满足算力要求。通过使用阿里的 AiACC 或者社区的 horovod 等分布式训练框架，仅需修改几行代码，就能将一个单机的训练任务扩展为支持分布式的训练任务。在 Kubernetes 上常见的是 kubeflow 社区的 tf-operator 支持 Tensorflow PS 模式，或者 mpi-operator 支持 horovod 的 mpi allreduce 模式。
现状
Kubernetes 和云计算提供敏捷性和伸缩性，我们可以通过 cluster-AutoScaler 等组件为训练任务设置弹性策略，利用 Kubernetes 的弹性能力，按需创建，减少 GPU 设备空转。
但这种伸缩模式面对训练这种离线任务还是略有不足：
不支持容错，当部分 Worker 由于设备原因失败，整个任务需要停止重来。
训练任务一般时间较长，占用算力大，任务缺少弹性能力。当资源不足时，除非任务终止，无法按需为其他业务腾出资源。
训练任务时间较长，不支持 worker 动态配置， 无法安全地使用抢占实例，发挥云上最大性价比
如何给训练任务赋予弹性能力，是提高性价比的关键路径。近期 horovod 等分布式框架逐渐支持了 Elastic Training，即弹性训练能力。也就是允许一个训练任务在执行的过程中动态的扩容或者缩容训练 worker， 从不会引起训练任务的中断。需要在代码中做少量修改适配，可参考：https://horovod.readthedocs.io/en/stable/elastic_include.html。
对 Elastic training 的实现原理感兴趣可以看这篇 Elastic Horovod 设计文档， 本文不详细介绍。
在 mpi-operator 中，参与训练的 Worker 都是作为静态资源设计和维护，支持弹性训练模式后，给任务增加了灵活性，同时也给运维层带来了挑战，例如：
必须通过 horovod 提供的 horovordrun 作为入口，horovod 中 launcher 通过 ssh 登陆 worker，需要打通 launcher 和 worker 之间的登陆隧道。
负责计算弹性的 Elastic Driver 模块通过指定 discoverhost 脚本获取最新 worker 拓扑信息，从而拉起或停止 worker 实例。当 worker 变化时，首先要更新 discoverhost 脚本的返回值。
在抢占或价格计算等场景中，有时需要指定 worker 缩容，K8s 原生的编排元语 deployment，statefulset 无法满足指定缩容的场景。
解决方法
针对以上问题，我们设计开发了 et-operator，提供 TrainingJob CRD 描述训练任务, ScaleOut 和 ScaleIn CRD 描述扩容和缩容操作， 通过它们的组合，使我们的训练任务更具有弹性。将这个方案开源，欢迎大家提需求、交流、吐槽。
开源方案地址：https://github.com/AliyunContainerService/et-operator
设计
TrainingJob Controller 主要有以下功能：
维护 TrainingJob 的创建/删除生命周期，以及子资源管理。
执行扩缩容操作。
容错，当 worker 被驱逐，创建新的 worker 加入到训练中。
1. 资源创建
TrainingJob 子资源创建顺序如下：
创建打通 ssh 所需的密钥对， 创建 secret。
创建 workers，包含 service 和 pod，挂载 secret 公钥。
创建 configmap， 包含 discover_host 脚本 , hostfile 文件。
创建 launcher，挂载 configmap。由于 hostfile 后续会随着拓扑关系修改，所以 hostfile 单独通过 initcontainer 从 configmap 拷贝到单独目录。
TrainingJob 相关资源：
TrainingJob CR 的配置分为 Lanucher 和 Worker。在 Launcher 中指定任务的镜像和启动执行， 默认 et-operator 会根据 worker 分配情况，生成一个 hostfile 文件和 discoverhost 脚本，discoverhost 脚本挂载到 Launcher 的 /etc/edl/discover_hosts.sh 文件， 在入口脚本的 horovodrun 执行中通过 --host-discovery-script 参数指定。在 Worker 设置中指定 worker 的镜像和 GPU 占用 ，并可以通过 maxReplicas / minReplicas 指定 workers 的副本数允许范围。
2. Worker 扩容 / 缩容
除了 TrainingJob 外，et-operator 同时支持 ScaleOut 和 ScaleIn 两种 CRD，下发训练任务扩容和缩容操作。
当下发一个 ScaleOut CR，ScaleOutController 触发 Reconcile， 这里工作很简单，根据 ScaleOut CR 中的 Selector 字段，找到 Scaler 对应的 TrainingJob，设置到 CR 的 OwnerReferences 上。
以一个 ScaleOut 操作举例：
TrainingJobController 中监听到属于 TrainingJob 的 ScaleOut CR 有更新， 触发 TrainingJob 的 Reconcile，遍历过滤 TrainingJob 下 OwnerReference 指向的 ScaleIn 和 ScaleOut， 根据创建时间和状态时间决定执行的扩容或者缩容。
ScaleOut 任务 CR：
ScaleIn 任务 CR：
详细工作过程：
运行
1. 安装 ET-Operator
检测 crd 的安装：
检测 controller 的运行状态，默认安装在 kube-ai 中：
2. 运行 TrainingJob
运行事先已准备好的示例：
检测运行状态：
3. 缩容训练任务 Worker
执行缩容时，可以通过 ScaleIn CR 中的 spec.toDelete.count 或 spec.toDelete.podNames 字段指定缩容的 worker。
通过 count 配置缩容的数量，则通过 index 计算由高到低缩容 Worker。
如果想要缩容特定的 Worker，可以配置 podNames：
运行一个缩容示例，指定数量缩容 1 个 worker：
检测缩容执行状态和训练任务：
4. 扩容训练任务
在 ScaleOut CR 中，通过 spec.toAdd.count 字段指定扩容的 worker 数：
运行示例：
检测缩容执行状态和训练任务：
总结
ET-Operator 提供一组训练和扩缩容 CRD 和 Controller， 让我们在 Kubernetes 上方便地运行弹性分布式训练，支持下发分布式训练任务，并通过和分布式框架的集成联动，在训练任务运行过程中动态地扩容和缩容参与运算的 Workers。使我们的训练任务具有弹性能力，结合抢占实例，能够更好的利用云上的资源弹性和性价比优势。
版权声明: 本文为 InfoQ 作者【阿里巴巴云原生】的原创文章。
原文链接:【http://xie.infoq.cn/article/8ed94fd8a511d768f6244f2ce】。文章转载请联系作者。
阿里巴巴云原生 2019.05.21 加入
还未添加个人简介
评论