什么是Fluid？
在云上通过云原生架构运行AI、大数据等任务，可以享受计算资源弹性的优势，但同时也会遇到，计算和存储分离架构带来的数据访问延迟和远程拉取数据带宽开销大的挑战。尤其在GPU深度学习训练场景中，迭代式的远程读取大量训练数据方法会严重拖慢GPU计算效率。
另一方面，Kubernetes只提供了异构存储服务接入和管理标准接口（CSI，Container Storage Interface），对应用如何在容器集群中使用和管理数据并没有定义。在运行训练任务时，数据科学家需要能够管理数据集版本，控制访问权限，数据集预处理，加速异构数据读取等。但是在Kubernetes中还没有这样的标准方案，这是云原生容器社区缺失的重要能力之一。
Fluid对“计算任务使用数据的过程”进行抽象，提出了弹性数据集Dataset的概念，并作为“first class citizen”在Kubernetes中实现。Fluid围绕弹性数据集Dataset，创建了数据编排与加速系统，来实现Dataset管理（CRUD操作）、权限控制和访问加速等能力。
Fluid中有两个最核心的概念：Dataset和Runtime。
-
Dataset 是指数据集，是逻辑上相关的一组数据的集合，会被计算引擎使用，比如Spark，TensorFlow，PyTorch等等。
-
Runtime 指的是提供分布式缓存的系统，目前 Fluid 支持的 Runtime 类型有 JuiceFS、Alluxio、JindoFS，GooseFS，其中 Alluxio、JindoFS 都是典型的分布式缓存引擎； JuiceFS 是一款分布式文件系统，具备分布式缓存能力。这些缓存系统使用Kubernetes集群中节点上的存储资源（如：内存和磁盘）来作为远程存储系统的计算侧缓存。
为什么Fluid需要支持跨namespace共享？
Fluid最早的模式默认支持一个Dataset独占一个Runtime，可以理解为一个数据集就有专门的缓存集群加速。可以针对于数据集的特点，比如单文件大小特征，文件数量规模，客户端数量进行定制优化；并且提供单独的缓存系统。它能够提供最好的性能以及稳定性，并且不会互相干扰，但是它的问题在于硬件资源浪费，需要为每个不同的数据集部署缓存系统；同时运维复杂，需要管理多个缓存Runtime。这种模式其实本质上是单租户架构，适合于对于数据访问吞吐和延时高要求的场景。
当然随着Fluid使用的深入，也有不同的需求出现。比如用户会在多个不同的Namespace中创建数据密集型作业，且这些作业将访问相同的数据集。多个数据科学家共享相同的数据集，各数据科学家拥有自己独立的Namespace提交作业。如果对于每个Namespace重新部署缓存系统并进行缓存预热，那么就会造成数据冗余和作业启动延迟问题。
此时社区用户能够为了节省资源和运维简单降低对于性能的要求，社区用户就开始有了跨Namespace访问数据集的需求。跨namespace需求本质上是在呼唤多租户架构，即集群管理员将Runtime指向某个存储的根目录，多个数据科学家可以在不同的Namespace中创建多个Dataset共用同一个Runtime。更近一步，管理员可以为不同Namespace的数据科学家配置子目录和不同的读写权限。
所有的架构选择上并不存在银弹，都是取舍。本文以AlluxioRuntime为例子向您演示如何使用Fluid共享Runtime。
使用样例：
想像一下，用户A在Kubernetes的命名空间development下对于数据集spark进行预热，用户B可以在另一个命名空间production中访问缓存过的数据，做到一次预热，不同namespace的用户都得到收益。
NAME READY STATUS RESTARTS AGE
csi-nodeplugin-fluid-mwx59 2/2 Running 0 5m46s
csi-nodeplugin-fluid-tcbfd 2/2 Running 0 5m46s
csi-nodeplugin-fluid-zwm8t 2/2 Running 0 5m46s
dataset-controller-5c7557c4c5-q58bb 1/1 Running 0 5m46s
fluid-webhook-67fb7dffd6-h8ksp 1/1 Running 0 5m46s
fluidapp-controller-59b4fcfcb7-b8tx5 1/1 Running 0 5m46s
-
创建命名空间development
$ kubectl create ns development-
在命名空间development创建Dataset和AlluxioRuntime,
$ cat<<EOF >dataset.yaml
apiVersion: data.fluid.io/v1alpha1
kind: Dataset
metadata:
name: spark
namespace: development
spec:
mounts:
- mountPoint: https://mirrors.bit.edu.cn/apache/spark/
name: spark
path: "/"
---
apiVersion: data.fluid.io/v1alpha1
kind: AlluxioRuntime
metadata:
name: spark
namespace: development
spec:
replicas: 1
tieredstore:
levels:
- mediumtype: MEM
path: /dev/shm
quota: 4Gi
high: "0.95"
low: "0.7"
EOF-
查看数据集状态
$ kubectl get dataset -A
NAMESPACE NAME UFS TOTAL SIZE CACHED CACHE CAPACITY CACHED PERCENTAGE PHASE AGE
development spark 3.41GiB 0.00B 4.00GiB 0.0% Bound 2m54s-
在命名空间development创建Pod访问数据集
$ cat<<EOF >app.yaml
apiVersion: v1
kind: Pod
metadata:
name: nginx
namespace: development
spec:
containers:
- name: nginx
image: nginx
volumeMounts:
- mountPath: /data
name: spark
volumes:
- name: spark
persistentVolumeClaim:
claimName: spark
EOF
$ kubectl create -f app.yaml-
查看应用通过dataset可以访问的数据, 并且执行拷贝。可以发现拷贝1.4G数据（7个文件）
$ kubectl exec -it -n development nginx -- ls -ltr /data
total 2
dr--r----- 1 root root 6 Dec 4 15:39 spark-3.1.3
dr--r----- 1 root root 7 Dec 4 15:39 spark-3.2.3
dr--r----- 1 root root 7 Dec 4 15:39 spark-3.3.1
$ kubectl exec -it -n development nginx -- bash
root@nginx:/# time cp -R /data/spark-3.3.1/* /tmp
real 3m16.761s
user 0m0.021s
sys 0m3.520s
root@nginx:/# du -sh /tmp/
1.4G /tmp/
root@nginx:/# du -sh /tmp/*
348K /tmp/SparkR_3.3.1.tar.gz
269M /tmp/pyspark-3.3.1.tar.gz
262M /tmp/spark-3.3.1-bin-hadoop2.tgz
293M /tmp/spark-3.3.1-bin-hadoop3-scala2.13.tgz
286M /tmp/spark-3.3.1-bin-hadoop3.tgz
201M /tmp/spark-3.3.1-bin-without-hadoop.tgz
28M /tmp/spark-3.3.1.tgz-
通过dataload对于指定数据集子目录进行加载
$ cat<<EOF >dataload.yaml
apiVersion: data.fluid.io/v1alpha1
kind: DataLoad
metadata:
name: spark
namespace: development
spec:
dataset:
name: spark
namespace: development
target:
- path: /spark-3.3.1
EOF
$ kubectl create -f dataload.yaml-
查看dataload状态
$ kubectl get dataload -A
NAMESPACE NAME DATASET PHASE AGE DURATION
development spark spark Complete 5m47s 2m1s-
查看缓存效果, 可以看到38.4%的数据已经缓存完成
$ kubectl get dataset -n development
NAME UFS TOTAL SIZE CACHED CACHE CAPACITY CACHED PERCENTAGE PHASE AGE
spark 3.41GiB 1.31GiB 4.00GiB 38.4% Bound 79m-
再次拷贝1.4G数据仅耗时0.8秒, 访问速度比之前的提升了245倍
$ kubectl exec -it -n development nginx -- bash
root@nginx:/# time cp -R /data/spark-3.3.1/* /tmp
real 0m0.872s
user 0m0.009s
sys 0m0.859s
root@nginx:/# du -sh /tmp/
1.4G /tmp/
root@nginx:/# du -sh /tmp/*
348K /tmp/SparkR_3.3.1.tar.gz
269M /tmp/pyspark-3.3.1.tar.gz
262M /tmp/spark-3.3.1-bin-hadoop2.tgz
293M /tmp/spark-3.3.1-bin-hadoop3-scala2.13.tgz
286M /tmp/spark-3.3.1-bin-hadoop3.tgz
201M /tmp/spark-3.3.1-bin-without-hadoop.tgz
28M /tmp/spark-3.3.1.tgz-
创建production命名空间
$ kubectl create ns production-
在 production 命名空间下，创建：
- 引用数据集spark，其mountPoint格式为dataset://${初始数据集所在namespace}/${初始数据集名称}, 在本例子中初始dataset所在
注： 当前引用的数据集，只支持一个mount，且形式必须为dataset://（即出现dataset://和其它形式时，dataset创建失败），Spec中其它字段无效；
$ cat<<EOF >spark-production.yaml
apiVersion: data.fluid.io/v1alpha1
kind: Dataset
metadata:
name: spark
namespace: production
spec:
mounts:
- mountPoint: dataset://development/spark
name: spark
path: "/"
EOF
$ kubectl create -f spark-production.yaml-
查看数据集, 可以看到在production这命名空间下的spark数据集，并且都已经完成了数据缓存
$ kubectlkubectl get dataset -n production
NAME UFS TOTAL SIZE CACHED CACHE CAPACITY CACHED PERCENTAGE PHASE AGE
spark 3.41GiB 1.31GiB 4.00GiB 38.4% Bound 14h-
在production命名空间，创建Pod：
$ cat<<EOF >app-production.yaml
apiVersion: v1
kind: Pod
metadata:
name: nginx
namespace: production
spec:
containers:
- name: nginx
image: nginx
volumeMounts:
- mountPath: /data
name: spark
volumes:
- name: spark
persistentVolumeClaim:
claimName: spark
EOF
$ kubectl create -f app-production.yaml-
在production命名空间访问数据的耗时也是0.878s，
$ kubectl exec -it -n production nginx -- ls -ltr /data
total 2
dr--r----- 1 root root 6 Dec 4 15:39 spark-3.1.3
dr--r----- 1 root root 7 Dec 4 15:39 spark-3.2.3
dr--r----- 1 root root 7 Dec 4 15:39 spark-3.3.1
$ kubectl exec -it -n production nginx -- bash
root@nginx:/# ls -ltr /tmp/
total 0
root@nginx:/# time cp -R /data/spark-3.3.1/* /tmp
real 0m0.878s
user 0m0.014s
sys 0m0.851s
root@nginx:/# du -sh /tmp
1.4G /tmp
root@nginx:/# du -sh /tmp/*
348K /tmp/SparkR_3.3.1.tar.gz
269M /tmp/pyspark-3.3.1.tar.gz
262M /tmp/spark-3.3.1-bin-hadoop2.tgz
293M /tmp/spark-3.3.1-bin-hadoop3-scala2.13.tgz
286M /tmp/spark-3.3.1-bin-hadoop3.tgz
201M /tmp/spark-3.3.1-bin-without-hadoop.tgz
28M /tmp/spark-3.3.1.tgz
总结：
上面的例子展示了如何使用Fluid实现跨namespace共享数据集的能力，下一步Fluid会支持在Serverless Kubernetes上的跨Namespace数据集访问，实际上对于用户来说整个使用体验没有任何差别。
在近一步我们会支持Sub Dataset的能力，也就是将某个Dataset的子目录作为Dataset。能够实现同一套缓存，适合于不同的数据科学家。敬请期待。
