JindoFS缓存加速数据湖上的机器学习训练

背景介绍

近些年，机器学习领域快速发展，广泛应用于各行各业。对于机器学习领域的从业人员来说，充满了大量的机遇和挑战。Tensorflow、PyTorch等深度学习框架的出现，使开发者能够轻松地构建和部署机器学习应用。随着近些年云计算技术的不断成熟，越来越多的人接受将他们的开发、生产服务搬到云上平台，因为云环境在计算成本、规模扩展上比传统平台有显著的优势。云上平台为了达到弹性、节约成本，通常采用计算存储分离的解决方案。使用对象存储构建数据湖，可以降低成本、存储海量数据。在机器学习这个场景下，尤其适合将训练数据存储在数据湖上。

将训练数据存储在数据湖上具有以下优势：

1.不需要将数据提前同步到训练节点。传统方式，我们需要将数据提前导入到计算节点的本地磁盘。而如果将数据存储在对象存储上，我们可以直接读取数据进行训练，减少准备工作。

2.可以存储更大的训练数据，不再受限于计算节点本地磁盘大小。对于深度学习，拥有更多的数据，往往能取得更好的训练效果。

3.计算资源可以弹性扩缩容，节约成本。机器学习通常使用使用更多核数的CPU或高端GPU，较为昂贵，对象存储的成本就相对较低。将训练数据存储在数据湖上，可以与计算资源解耦。计算资源可以按需付费，随时释放，达到节省成本的目的。

然而，这种方式同时存在着一些问题和挑战：

1.远端拉取数据的延迟和带宽无法随着计算资源线性扩展。硬件计算能力在不断发展，利用GPU进行计算可以取得更快的训练速度。使用云上弹性计算ECS、容器服务可以快速调度起大规模的计算资源。访问对象存储需要走网络，得益于网络技术的发展，我们访问对象存储有一个高速网络，即便如此，对象存储的网络延时和带宽无法随着集群规模线性扩展，可能会成为瓶颈，限制了训练速度。在计算存储分离架构下，如何高效地访问到这些数据，成为了一个巨大的挑战。

2.需要更加便捷的通用的数据访问方式。深度学习框架如TensorFlow对于GCS、HDFS支持较为友好，而对于诸多第三方对象存储的支持上较为滞后。而POSIX接口是一种更自然友好的方式，使用类似于本地磁盘一样的方式访问数据，大大简化了开发者对存储系统的适配工作。

为了解决数据湖上机器学习训练常规方案存在的上述问题，JindoFS 针对这种场景提供了缓存加速优化方案。

基于JindoFS缓存加速的训练架构方案

JindoFS提供了一个计算侧的分布式缓存系统，可以有效利用计算集群上的本地存储资源（磁盘或者内存）缓存OSS上的热数据，从而减少对OSS上数据的反复拉取，消耗网络带宽。

内存缓存

对于深度学习，我们可以选择计算能力更强的GPU机型，来获取更快的训练速度。此时需要高速的内存吞吐，才能让GPU充分跑满。此时我们可以使用JindoFS基于内存搭建分布式高速缓存。当整个集群的所有内存加起来足以支撑整个数据集时（除去任务本身所需内存量），我们就可以利用内存缓存以及本地高速网络，来提供高的数据吞吐，加快计算速度。

磁盘缓存

对于一些机器学习场景，训练数据的规模超过了内存所能承载的大小，以及训练所需的CPU/GPU能力要求没有那么高，而要求数据访问有较高的吞吐。此时计算的瓶颈会受限于网络带宽压力。因此我们可以搭建使用本地SSD作为缓存介质的JindoFS分布式缓存服务，利用本地存储资源缓存热数据，来达到提高训练速度的效果。

FUSE接口

JindoFS包含了FUSE客户端，提供了简便的、熟悉的数据访问方式。通过FUSE程序将JindoFS集群实例映射到本地文件系统，就可以像访问本地磁盘文件一样，享受到JindoFS带来的加速效果。

实战：搭建Kubernetes + JindoFS + Tensorflow训练集群

1、创建kubernetes集群

我们前往阿里云-容器服务，创建一个Kubernetes集群。

2、安装JindoFS服务

2.1 前往容器服务->应用目录，进入“JindoFS”安装配置页面。

2.2 配置参数

完整的配置模板可以参考容器服务-应用目录-jindofs安装说明。
配置OSS Bucket和AK，参考文档使用JFS Scheme的部署方式。我们需要修改以下配置项：

jfs.namespaces: test
jfs.namespaces.test.mode :  cache
jfs.namespaces.test.oss.uri :  oss://xxx-sh-test.oss-cn-shanghai-internal.aliyuncs.com/xxx/k8s_c1
jfs.namespaces.test.oss.access.key :  xx
jfs.namespaces.test.oss.access.secret :  xx

通过这些配置项，我们创建了一个名为test的命名空间，指向了chengli-sh-test这个OSS bucket的xxx/k8s_c1目录。后续我们通过JindoFS操作test命名空间的时候，就等同于操作该OSS目录。

2.3 安装服务

1.验证安装成功

# kubectl get pods
NAME                               READY   STATUS      RESTARTS   AGE
jindofs-fuse-267vq                 1/1     Running     0          143m
jindofs-fuse-8qwdv                 1/1     Running     0          143m
jindofs-fuse-v6q7r                 1/1     Running     0          143m
jindofs-master-0                   1/1     Running     0          143m
jindofs-worker-mncqd               1/1     Running     0          143m
jindofs-worker-pk7j4               1/1     Running     0          143m
jindofs-worker-r2k99               1/1     Running     0          143m

2.在宿主机上访问/mnt/jfs/目录，即等同于访问JindoFS的文件

ls /mnt/jfs/test/
15885689452274647042-0  17820745254765068290-0  entrypoint.sh

3.安装kubeflow（arena）

**Kubeflow 是开源的基于Kubernetes云原生AI平台，用于开发、编排、部署和运行可扩展的便携式机器学习工作负载。Kubeflow支持两种TensorFlow框架分布式训练，分别是参数服务器模式和AllReduce模式。基于阿里云容器服务团队开发的Arena,用户可以提交这两种类型的分布式训练框架。
我们参照github repo上的使用文档进行安装。
**

4. 启动TF作业

arena submit mpi \
--name job-jindofs\
 --gpus=8 \
 --workers=4 \
 --working-dir=/perseus-demo/tensorflow-demo/ \
 --data-dir /mnt/jfs/test:/data/imagenet \
 -e DATA_DIR=/data/imagenet -e num_batch=1000 \
 -e datasets_num_private_threads=8  \
 --image=registry.cn-hangzhou.aliyuncs.com/tensorflow-samples/perseus-benchmark-dawnbench-v2:centos7-cuda10.0-1.2.2-1.14-py36 \
 ./launch-example.sh 4 8

本文中，我们提交了一个ResNet-50模型作业，使用的是大小144GB的ImageNet数据集。数据以TFRecord格式存储，每个TFRecord大小约130MB。模型作业和ImageNet数据集都可以在网上轻松找到。这些参数中，/mnt/jfs/是通过JindoFS FUSE挂载到宿主机的一个目录，test是一个namespace，对应一个oss bucket。我们使用--data-dir将这个目录映射到容器内的/data/imagenet目录，这样作业就可以读取到OSS的数据了，对于读取过的数据，会自动缓存到JindoFS集群本地。

总结

通过JindoFS的缓存加速服务，只需要读取一遍数据，大部分的热数据将缓存到本地内存或磁盘，深度学习的训练速度可以得到显著提高。对于大部分训练，我们还可以使用预加载的方式先将数据加载到缓存中，来加快下一次训练的速度。

更多数据湖技术相关的文章请点击：[阿里云重磅发布云原生数据湖体系
](https://developer.aliyun.com/article/772298?spm=a2c6h.12873581.0.dArticle772298.28042b0fFZNGve&groupCode=datalakeformation)

更多数据湖相关信息交流请加入阿里巴巴数据湖技术钉钉群