Kubernetes的架构怎么使用

这篇文章主要讲解了“Kubernetes的架构怎么使用”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Kubernetes的架构怎么使用”吧！

分布式TensorFlow

TensorFlow是一个使用数据流图进行数值计算的开源软件库。图中的节点代表数学运算，而图中的边则代表在这些节点之间传递的多维数组（张量）。这种灵活的架构可让您使用一个 API 将计算工作部署到桌面设备、服务器或者移动设备中的一个或多个 CPU 或 GPU。 关于TensorFlow的基础概念，我就不多介绍了。

单机TensorFlow

下面是一个单机式TensorFlow训练示意图，通过Client提交Session，定义这个worker要用哪个cpu/gpu做什么事。

分布式TensorFlow

2016年4月TensorFlow发布了0.8版本宣布支持分布式计算，我们称之为Distributed TensorFlow。这是非常重要的一个特性，因为在AI的世界里，训练的数据量和模型参数通常会非常大。比如Google Brain实验室今年发表的论文OUTRAGEOUSLY LARGE NEURAL NETWORKS: THE SPARSELY-GATED MIXTURE-OF-EXPERTS LAYER中提到一个680亿个Parameters的模型，如果只能单机训练，那耗时难于接受。通过Distributed TensorFlow，可以利用大量服务器构建分布式TensorFlow集群来提高训练效率，减少训练时间。

通过TensorFlow Replcation机制，用户可以将SubGraph分布到不同的服务器中进行分布式计算。TensorFlow的副本机制又分为两种，In-graph和Between-graph。

In-graph Replication简单来讲，就是通过单个client session定义这个TensorFlow集群的所有task的工作。

与之相对地，Between-graph Replication就是每个worker都有独立的client来定义自己的工作。

下面是抽象出来的分布式TensorFlow Framework如下：

我们先来了解里面的几个概念：

• Cluster

一个TensorFlow Cluster有一个或多个jobs组成，每个job又由一个或多个tasks构成。Cluster的定义是通过tf.train.ClusterSpec来定义的。比如，定义一个由3个worker和2个ps的TensorFlow Cluster的ClusterSpec如下：

tf.train.ClusterSpec({
    "worker": [
        "worker0.example.com:2222",  //主机名也可以使用IP
        "worker1.example.com:2222",
        "worker2.example.com:2222"
    ],
    "ps": [
        "ps0.example.com:2222",
        "ps1.example.com:2222"
    ]})

• Client

Client用来build一个TensorFlow Graph，并构建一个tensorflow::Session用来与集群通信。一个Client可以与多个TensorFlow Server交互，一个Server能服务多个Client。

• Job

一个Job由tasks list组成，Job分ps和worker两种类型。ps即parameter server，用来存储和更新variables的，而worker可以认为是无状态的，用来作为计算任务的。workers中，一般都会选择一个chief worker（通常是worker0），用来做训练状态的checkpoint，如果有worker故障，那么可以从最新checkpoint中restore。

• Task

每个Task对应一个TensorFlow Server，对应一个单独的进程。一个Task属于某个Job，通过一个index来标记它在对应Job的tasks中的位置。每个TensorFlow均实现了Master service和Worker service。Master service用来与集群内的worker services进行grpc交互。Worker service则是用local device来计算subgraph。

关于Distributed TensorFlow的更多内容，请参考官方内容www.tensorflow.org/deplopy/distributed

分布式TensorFlow的缺陷

分布式TensorFlow能利用数据中心所有服务器构成的资源池，让大量ps和worker能分布在不同的服务器进行参数存储和训练，这无疑是TensorFlow能否在企业落地的关键点。然而，这还不够，它还存在一下先天不足：

• 训练时TensorFlow各个Task资源无法隔离，很有可能会导致任务间因资源抢占互相影响。

• 缺乏调度能力，需要用户手动配置和管理任务的计算资源。

• 集群规模大时，训练任务的管理很麻烦，要跟踪和管理每个任务的状态，需要在上层做大量开发。

• 用户要查看各个Task的训练日志需要找出对应的服务器，并ssh过去，非常不方便。

• TensorFlow原生支持的后端文件系统只支持：标准Posix文件系统（比如NFS）、HDFS、GCS、memory-mapped-file。大多数企业中数据都是存在大数据平台，因此以HDFS为主。然而，HDFS的Read性能并不是很好。

• 当你试着去创建一个大规模TensorFlow集群时，发现并不轻松；

TensorFlow on Kubernetes架构与原理

TensorFlow的这些不足，正好是Kubernetes的强项：

• 提供ResourceQuota, LimitRanger等多种资源管理机制，能做到任务之间很好的资源隔离。

• 支持任务的计算资源的配置和调度。

• 训练任务以容器方式运行，Kubernetes提供全套的容器PLEG接口，因此任务状态的管理很方便。

• 轻松对接EFK/ELK等日志方案，用户能方便的查看任务日志。

• 支持Read性能更优秀的分布式存储（Glusterfs)，但目前我们也还没对接Glusterfs，有计划但没人力。

• 通过声明式文件实现轻松快捷的创建一个大规模TensorFlow集群。

TensorFlow on Kubernetes架构

TensorFlow on Kubernetes原理

在我们的TensorFlow on Kubernetes方案中，主要用到以下的Kubernetes对象：

• Kubernetes Job

我们用Kubernetes Job来部署TensorFlow Worker，Worker训练正常完成退出，就不会再重启容器了。注意Job中的Pod Template restartPolicy只能为Never或者OnFailure，不能为Always，这里我们设定restartPolicy为OnFailure，worker一旦异常退出，都会自动重启。但是要注意，要保证worker重启后训练能从checkpoint restore，不然worker重启后又从step 0开始，可能跑了几天的训练就白费了。如果你使用TensorFlow高级API写的算法，默认都实现了这点，但是如果你是使用底层core API，一定要注意自己实现。

kind: Job
apiVersion: batch/v1
metadata:
  name: {{ name }}-{{ task_type }}-{{ i }}
  namespace: {{ name }}
spec:
  template:
    metadata:
      labels:
        name: {{ name }}
        job: {{ task_type }}
        task: "{{ i }}"
    spec:
      imagePullSecrets:
      - name: harborsecret
      containers:
      - name: {{ name }}-{{ task_type }}-{{ i }}
        image: {{ image }}
        resources:
          requests:
            memory: "4Gi"
            cpu: "500m"
        ports:
        - containerPort: 2222
        command: ["/bin/sh", "-c", "export CLASSPATH=.:/usr/lib/jvm/java-1.8.0/lib/tools.jar:$(/usr/lib/hadoop-2.6.1/bin/hadoop classpath --glob); wget -r -nH  -np --cut-dir=1 -R 'index.html*,*gif'  {{ script }}; cd ./{{ name }}; sh ./run.sh {{ ps_hosts() }} {{ worker_hosts() }} {{ task_type }} {{ i }} {{ ps_replicas }} {{ worker_replicas }}"]
      restartPolicy: OnFailure

• Kubernetes Deployment

TensorFlow PS用Kubernetes Deployment来部署。为什么不像worker一样，也使用Job来部署呢？其实也未尝不可，但是考虑到PS进程并不会等所有worker训练完成时自动退出(一直挂起)，所以使用Job部署没什么意义。

kind: Deployment
apiVersion: extensions/v1beta1
metadata:
  name: {{ name }}-{{ task_type }}-{{ i }}
  namespace: {{ name }}
spec:
  replicas: 1
  template:
    metadata:
      labels:
        name: {{ name }}
        job: {{ task_type }}
        task: "{{ i }}"
    spec:
      imagePullSecrets:
      - name: harborsecret
      containers:
      - name: {{ name }}-{{ task_type }}-{{ i }}
        image: {{ image }}
        resources:
          requests:
            memory: "4Gi"
            cpu: "500m"
        ports:
        - containerPort: 2222
        command: ["/bin/sh", "-c","export CLASSPATH=.:/usr/lib/jvm/java-1.8.0/lib/tools.jar:$(/usr/lib/hadoop-2.6.1/bin/hadoop classpath --glob); wget -r -nH  -np --cut-dir=1 -R 'index.html*,*gif'  {{ script }}; cd ./{{ name }}; sh ./run.sh {{ ps_hosts() }} {{ worker_hosts() }} {{ task_type }} {{ i }} {{ ps_replicas }} {{ worker_replicas }}"]
      restartPolicy: Always

关于TensorFlow PS进程挂起的问题，请参考https://github.com/tensorflow/tensorflow/issues/4713.我们是这么解决的，开发了一个模块，watch每个TensorFlow集群的所有worker状态，当所有worker对应Job都Completed时，就会自动去删除PS对应的Deployment，从而kill PS进程释放资源。

• Kubernetes Headless Service

Headless Service通常用来解决Kubernetes里面部署的应用集群之间的内部通信。在这里，我们也是这么用的，我们会为每个TensorFlow对应的Job和Deployment对象都创建一个Headless Service作为worker和ps的通信代理。

kind: Service
apiVersion: v1
metadata:
  name: {{ name }}-{{ task_type }}-{{ i }}
  namespace: {{ name }}
spec:
  clusterIP: None
  selector:
    name: {{ name }}
    job: {{ task_type }}
    task: "{{ i }}"
  ports:
  - port: {{ port }}
    targetPort: 2222

用Headless Service的好处，就是在KubeDNS中，Service Name的域名解析直接对应到PodIp，而没有service VIP这一层，这就不依赖于kube-proxy去创建iptables规则了。少了kube-proxy的iptables这一层，带来的是性能的提升。

在TensorFlow场景中，这是不可小觑的，因为一个TensorFlow Task都会创建一个service，几万个service是很正常的事，如果使用Normal Service，iptables规则就几十万上百万条了，增删一条iptabels规则耗时几个小时甚至几天，集群早已奔溃。关于kube-proxy iptables模式的性能测试数据，请参考华为PaaS团队的相关分享。

• KubeDNS Autoscaler

前面提到，每个TensorFlow Task都会创建一个service，都会在KubeDNS中有一条对应的解析规则，但service数量太多的时候，我们发现有些worker的域名解析失败概率很大，十几次才能成功解析一次。这样会影响TensorFlow集群内各个task的session建立，可能导致TensorFlow集群起不来。

为了解决这个问题，我们引入了Kubernetes的孵化项目kubernetes-incubator/cluster-proportional-autoscaler来对KubeDNS进行动态伸缩。关于这个问题的具体的细节，有兴趣的同学可以查看我的博文https://my.oschina.net/jxcdwangtao/blog/1581879。

TensorFlow on Kubernetes实践

基于上面的方案，我们开发一个TaaS平台，已经实现了基本的功能，包括算法管理、训练集群的创建和管理、模型的管理、模型上线(TensorFlow Serving)、一键创建TensorBoard服务、任务资源监控、集群资源监控、定时训练管理、任务日志在线查看和批量打包下载等等，这部分内容可以参考之前在DockOne上分享的文章http://dockone.io/article/3036。

这只是刚开始，我正在做下面的特性：

• 支持基于训练优先级的任务抢占式调度: 用户在TaaS上创建TensorFlow训练项目时，可以指定项目的优先级为生产(Production)、迭代(Iteration)、调研(PTR)，默认为迭代。优先级从高到低依次为**Production --> Iteration --> PTR**。但集群资源不足时，按照任务优先级进行抢占式调度。

• 提供像Yarn形式的资源分配视图，让用户对自己的所有训练项目的资源占用情况变得清晰。

• 训练和预测的混合部署，提供数据中心资源利用率。

• ...

经验和坑

整个过程中，遇到了很多坑，有TensorFlow的，也有Kubernetes的，不过问题最多的还是我们用的CNI网络插件contiv netplugin，每次大问题基本都是这个网络插件造成的。Kubernetes是问题最少的，它的稳定性比我预期还要好。

• contiv netplugin的问题，在DevOps环境中还是稳定的，在大规模高并发的AI场景，问题就层出不穷了，产生大量垃圾IP和Openflow流表，直接把Node都成NotReady了，具体的不多说，因为据我了解，现在用这个插件的公司已经很少了，想了解的私下找我。

• 在我们的方案中，一个TensorFlow训练集群就对应一个Kubernetes Namespace，项目初期我们并没有对及时清理垃圾Namespace，到后来集群里上万Namespace的时候，整个Kubernetes集群的相关API性能非常差了，导致TaaS的用户体验非常差。

• TensorFlow grpc性能差，上千个worker的训练集群，概率性的出现这样的报错grpc_chttp2_stream request on server; last grpc_chttp2_stream id=xxx, new grpc_chttp2_stream id=xxx，这是TensorFlow底层grpc的性能问题，低版本的grpc的Handlergrpc还是单线程的，只能尝试通过升级TensorFlow来升级grpc了，或者编译TensorFlow时单独升级grpc版本。如果升级TensorFlow版本的话，你的算法可能还要做API适配。目前我们通过增加单个worker的计算负载来减少worker数量的方法，减少grpc压力。

• 还有TensorFlow 自身OOM机制的问题等等

感谢各位的阅读，以上就是“Kubernetes的架构怎么使用”的内容了，经过本文的学习后，相信大家对Kubernetes的架构怎么使用这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！