容器、微服务、深度学习和阿里云-阿里云开发者社区

容器、微服务、深度学习和阿里云

2018-07-10 2085

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

容器镜像服务 ACR，镜像仓库100个不限时长

容器服务 Serverless 版 ACK Serverless，952元额度多规格

容器服务 Serverless 版 ACK Serverless，317元额度多规格

简介： > 今年去参加Qcon上海2016开发者大会，发现大家都在讲容器、微服务、深度学习这些高端的东西，所以抓紧时间学习和总结了一下，给大家吹吹牛，算是不虚此行吧。 ### 容器基于Linux内核中的[Control Groups](http://www.infoq.com/cn/articles/docker-kernel-knowledge-cgroups-resource-isola

今年去参加Qcon上海2016开发者大会，发现大家都在讲容器、微服务、深度学习这些高端的东西，所以抓紧时间学习和总结了一下，给大家吹吹牛，算是不虚此行吧。

容器

基于Linux内核中的Control Groups和namespace技术，对运行的进程做隔离和控制。Linux内核还在不断创新中，《Unix 环境高级编程》没有包含这些新技术，所以很多人对此一无所知。

不同于一般的虚拟化技术，在host中可以看到容器里面运行的进程。image和container的关系就像是可执行程序和进程的关系。

22957 ?        Sl     0:00  |   \_ docker-containerd-shim 9f4669fd46ab076cca3b71d67f697b1e9768e351bc40be3a85fa4e02eb92720a /var/run/docker/libcontainerd/9f4669fd46ab076cca3b
22971 pts/4    Ss     0:00  |   |   \_ sh -c service ssh start; bash
23029 ?        Ss     0:00  |   |       \_ /usr/sbin/sshd
23032 pts/4    S+     0:00  |   |       \_ bash
23593 ?        Sl    29:49  |   |       \_ /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_datanode -Xmx1000m -Djava.net.preferIPv4Stack=true -Dhadoop.log.dir=/usr/local/h
24149 ?        Sl    36:09  |   |       \_ /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_nodemanager -Xmx1000m -Dhadoop.log.dir=/usr/local/hadoop/logs -Dyarn.log.dir=/us
23065 ?        Sl     0:00  |   \_ docker-containerd-shim 1262b62afcac0c41ede4c28484a9697246e67c87c3945c1dd16cff3319689514 /var/run/docker/libcontainerd/1262b62afcac0c41ede4
23079 pts/5    Ss     0:00  |   |   \_ sh -c service ssh start; bash
23138 ?        Ss     0:00  |   |       \_ /usr/sbin/sshd
23141 pts/5    S+     0:00  |   |       \_ bash
23591 ?        Sl    29:02  |   |       \_ /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_datanode -Xmx1000m -Djava.net.preferIPv4Stack=true -Dhadoop.log.dir=/usr/local/h
24167 ?        Sl    35:48  |   |       \_ /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_nodemanager -Xmx1000m -Dhadoop.log.dir=/usr/local/hadoop/logs -Dyarn.log.dir=/us

但是容器看不到host和别的容器的信息。

root@hadoop-master:~# ps xf
  PID TTY      STAT   TIME COMMAND
  579 ?        Sl     0:08 /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_resourcemanager -Xmx1000m -Dhadoo
  120 ?        Ss     0:00 bash
  904 ?        R+     0:00  \_ ps xf
   93 ?        Ss+    0:00 bash
    1 ?        Ss     0:00 sh -c service ssh start; bash
   31 ?        Ss     0:00 /usr/sbin/sshd
   34 ?        S+     0:00 bash
  239 ?        Sl     0:05 /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_namenode -Xmx1000m -Djava.net.pre
  428 ?        Sl     0:03 /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_secondarynamenode -Xmx1000m -Djav

有了docker，学习真的是一件很容易的事情。比如要搭建一个多节点的Hadoop集群，社区早有人做好了镜像，pull下来就能跑得飞起。参考文章：基于Docker搭建Hadoop集群之升级版。例子中创建了三个容器，一个master（跑yarn），两个slave（跑dfs），这样就有了一个三节点的集群，然后把Hadoop集群跑起来。

还有比这更简单的Hadoop搭建的学习环境吗？

root@hadoop-master:~# ./run-wordcount.sh 
16/11/08 12:28:32 INFO client.RMProxy: Connecting to ResourceManager at hadoop-master/172.20.0.2:8032
16/11/08 12:28:33 INFO input.FileInputFormat: Total input paths to process : 2
16/11/08 12:28:33 INFO mapreduce.JobSubmitter: number of splits:2
16/11/08 12:28:33 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1478607997885_0001
16/11/08 12:28:34 INFO impl.YarnClientImpl: Submitted application application_1478607997885_0001
16/11/08 12:28:34 INFO mapreduce.Job: The url to track the job: http://hadoop-master:8088/proxy/application_1478607997885_0001/
16/11/08 12:28:34 INFO mapreduce.Job: Running job: job_1478607997885_0001
16/11/08 12:28:43 INFO mapreduce.Job: Job job_1478607997885_0001 running in uber mode : false
16/11/08 12:28:43 INFO mapreduce.Job:  map 0% reduce 0%
16/11/08 12:28:52 INFO mapreduce.Job:  map 50% reduce 0%
16/11/08 12:28:53 INFO mapreduce.Job:  map 100% reduce 0%
16/11/08 12:28:59 INFO mapreduce.Job:  map 100% reduce 100%
16/11/08 12:28:59 INFO mapreduce.Job: Job job_1478607997885_0001 completed successfully
16/11/08 12:28:59 INFO mapreduce.Job: Counters: 49
    File System Counters
        FILE: Number of bytes read=56
        FILE: Number of bytes written=352398
        FILE: Number of read operations=0
        FILE: Number of large read operations=0
        FILE: Number of write operations=0
        HDFS: Number of bytes read=258
        HDFS: Number of bytes written=26
        HDFS: Number of read operations=9
        HDFS: Number of large read operations=0
        HDFS: Number of write operations=2
    Job Counters 
        Launched map tasks=2
        Launched reduce tasks=1
        Data-local map tasks=2
        Total time spent by all maps in occupied slots (ms)=14221
        Total time spent by all reduces in occupied slots (ms)=4203
        Total time spent by all map tasks (ms)=14221
        Total time spent by all reduce tasks (ms)=4203
        Total vcore-milliseconds taken by all map tasks=14221
        Total vcore-milliseconds taken by all reduce tasks=4203
        Total megabyte-milliseconds taken by all map tasks=14562304
        Total megabyte-milliseconds taken by all reduce tasks=4303872
    Map-Reduce Framework
        Map input records=2
        Map output records=4
        Map output bytes=42
        Map output materialized bytes=62
        Input split bytes=232
        Combine input records=4
        Combine output records=4
        Reduce input groups=3
        Reduce shuffle bytes=62
        Reduce input records=4
        Reduce output records=3
        Spilled Records=8
        Shuffled Maps =2
        Failed Shuffles=0
        Merged Map outputs=2
        GC time elapsed (ms)=141
        CPU time spent (ms)=1450
        Physical memory (bytes) snapshot=798035968
        Virtual memory (bytes) snapshot=2619658240
        Total committed heap usage (bytes)=509607936
    Shuffle Errors
        BAD_ID=0
        CONNECTION=0
        IO_ERROR=0
        WRONG_LENGTH=0
        WRONG_MAP=0
        WRONG_REDUCE=0
    File Input Format Counters 
        Bytes Read=26
    File Output Format Counters 
        Bytes Written=26

input file1.txt:
Hello Hadoop

input file2.txt:
Hello Docker

wordcount output:
Docker    1
Hadoop    1
Hello    2

aufs(Advanced multi layered unification filesystem)也是相当有意思。

~# docker pull xuyecan/ubuntu-shadowsocks
Using default tag: latest
latest: Pulling from xuyecan/ubuntu-shadowsocks
bf5d46315322: Already exists 
9f13e0ac480c: Already exists 
e8988b5b3097: Already exists 
40af181810e7: Already exists 
e6f7c7e5c03e: Already exists 
64995ac659ee: Pull complete 
Digest: sha256:0cfb5275581be3e6a5cce3f230ff9c3ef714f3c9291b76eb41e2f47d7362a994
Status: Downloaded newer image for xuyecan/ubuntu-shadowsocks:latest

Docker for Mac

Mac上使用Docker也是非常简单的呢。首先下载并安装https://download.docker.com/mac/stable/Docker.dmg，然后把App启动起来。因为官方源比较慢，可以配置一下阿里云的镜像：https://imuewcw.mirror.acs.aliyun.com。

配置完成之后，点击下方Apply & Restart就好了。以前想要在Linux环境下测试一些东西可麻烦了，现在有了Docker for Mac，在Mac上拉一个Ubuntu，用起来真的很方便。

[~]$ docker images
REPOSITORY          TAG                 IMAGE ID            CREATED             SIZE
nginx               latest              05a60462f8ba        5 days ago          181.5 MB
ubuntu              latest              f753707788c5        4 weeks ago         127.2 MB
[~]$ docker run -ti f753707788c5
root@76cb78b38af5:/# cat /etc/*release
DISTRIB_ID=Ubuntu
DISTRIB_RELEASE=16.04
DISTRIB_CODENAME=xenial
DISTRIB_DESCRIPTION="Ubuntu 16.04.1 LTS"
NAME="Ubuntu"
VERSION="16.04.1 LTS (Xenial Xerus)"
ID=ubuntu
ID_LIKE=debian
PRETTY_NAME="Ubuntu 16.04.1 LTS"
VERSION_ID="16.04"
HOME_URL="http://www.ubuntu.com/"
SUPPORT_URL="http://help.ubuntu.com/"
BUG_REPORT_URL="http://bugs.launchpad.net/ubuntu/"
UBUNTU_CODENAME=xenial

CoreOS

CoreOS是一个非常极端的Linux发行版，它没有传统的包管理系统，比如yum和apt-get，完全使用docker来做包管理。比如要使用gcc，那么需要去pull一个gcc的image，然后通过目录贡献的方式来编译代码。

CoreOS自带了fleet做服务的管理，fleet大大方便了运维同学管理服务。CoreOS fleet之初体验这篇文章通过一个demo较好地讲述了fleet的使用。

阿里云与时俱进，也提供CoreOS镜像。

微服务

这篇文章：微服务实战（一）：微服务架构的优势与不足总结得非常到位。
再附上同参加Qcon的一位同事的理解：2016上海Qcon大会--我所看到的微服务。

深度学习

AWS 首席云计算技术顾问的AWS 首席云计算技术顾问介绍了一下深度学习的历史及如何搭建环境。

腾讯孙子荀分享的新媒体与深度学习给我留下了深刻的印象。通过深度学习给出适合每个人的最佳推送时间、合理裁切图片、分析文章质量等等。

目前有很多优秀的深度学习框架，比如Google开源的TensorFlow，被广泛应用于各种场景。其实我也想总结点啥，但是实在说不出来，大家自行去学习莫烦 tensorflow 神经网络教程吧，这个TensorFlow的系列教程很赞。

Jupyter & TensorBoard对于初学者很有用。

阿里云

阿里云对容器有丰富的支持，包括Docker Registry、容器服务、HPC等等。阿里云使用Docker Swarm做服务编排。

轻松利用现有ECS实例大家容器服务集群。

更是有大量关于TensorFlow的文章。

本系列将利用Docker和阿里云容器服务，帮助您上手TensorFlow的机器学习方案

第一篇：打造TensorFlow的实验环境
第二篇：轻松搭建TensorFlow Serving集群
第三篇：打通TensorFlow持续训练链路

服务编排

用户只关心自己的服务，至于服务如何跑起来，并发和容错就要交给编排工具去做了。目前比较流行的编排工具有Docker Swarm、Google Kubernetes、Apache Mesos。（据我所知，搜索团队用的是自己开发的Hippo）

通过基于Docker搭建单机版Mesos/Marathon这篇文章，可以理解一下Mesos的基本原理及使用。
通过镜像创建 Nginx介绍了如何使用阿里云容器服务创建Nginx应用，可以了解一下Docker Swarm。把Nginx服务运行起来之后，可以到相应的机器上查看到对应的container。

root@cbb4515a0d85e4014b0a37d455793a89e-node1:~# docker ps -a | grep nginx
556348917c43        nginx:latest                                             "nginx -g 'daemon off"   2 weeks ago         Exited (0) 2 minutes ago                                                      nginx_nginx_1

容器、微服务、深度学习和阿里云

容器

Docker for Mac

CoreOS

微服务

深度学习

阿里云

服务编排

推荐资料

容器服务

热门文章

最新文章

相关课程

相关电子书

相关实验场景