技术

《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go 内存管理 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 容器日志采集 Kubernetes 控制器模型 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 回溯法 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup Linux网络源代码学习——整体介绍 zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

分布式链路追踪 helm tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 机器学习中的python调用c 机器学习训练框架概述 embedding的原理及实践 tensornet源码分析 大模型训练 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 在离线业务混部 RNN pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 tensorflow学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台 tf-operator源码分析 k8s批处理调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF 生命周期管理 openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Kubernetes webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 controller 组件介绍 openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 serverless 泛谈 概率论 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念入门 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 用户登陆 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 当我在说模板引擎的时候,我在说什么 用户认证问题 资源的分配与回收——池 消息/任务队列

标签


基于Volcano的弹性训练

2022年01月02日

简介

背景介绍

训练任务基于k8s执行,由volcano负责调度,算法人员归属于不同的部门,一个部门对应一个volcano queue。

因为GPU 比较贵,AI部门常背的一个考核目标是提高GPU 资源利用率。其次是减少训练任务的耗时,这样一天可以多跑几次模型,提高算法工程师的工作效率。所以,尽量别让GPU 闲着,都跑起来。但算法工程师提交任务时,并不知道集群的资源使用情况,只能凭经验和感觉配一个资源request,本质上是容量规划与实际负载的矛盾,所以尝试用弹性来解决。

本文方案仅针对pytorch,但就实现原理来讲也可以很方便扩展到其它训练框架。

弹性训练要解决几个问题

  1. 能发现集群资源的富余与紧张,触发扩缩容。
  2. 支持容错,因为扩散容期间worker会重启,worker 个数会变化,不能挂了一个worker就导致 之前的训练成果都丢了。这个一般通过checkpoint 来解决。

如何触发扩缩容

HPA方案

很自然的会想到通过HPA来实现弹性扩缩容,HPA 的关键是选择一个metric作为扩缩容决策依据,自然的,我们选择“queue的可用GPU个数” 作为扩缩容的依据metric。

hpa扩缩容的计算规则

desiredReplicas = ceil[
                        currentMetricValue
    currentReplicas * -----------------------
                        desiredMetricValue 
]

可以通过设置desiredMetricValue来干预desiredReplicas值。 问题就是这个desiredMetricValue 值很不好设置

  1. 假设我们将desiredMetricValue设置小一点,比如3,扩容时问题不大,但如果想要缩容,则只能等currentMetricValue=2 或 currentMetricValue=1 的时候,job replicas 一下子就砍去三分之一。
  2. 假设我们将desiredMetricValue设置的大一些,比如10,缩容的时候问题不大,但如果想要扩容,则只能currentMetricValue>10 了,此时集群空闲的资源就有点多了。

抽象一下,对一般业务/微服务进行HPA时,决定一个deployment是否扩缩容,应该拿一个跟pod 相关的metric,比如cpu 利用率, 这个时候公式是对的。而对于训练任务,扩缩容的依据 是一个跟pod 不相关的queue 的 metric,这个时候跟公式的内涵就对不上了。

解决这个问题有两个办法

  1. 改公式
  2. 换metric,或使用多个metric

无论如何,HPA 只能从单个job 的视角出发来决策,做扩缩容决策要考虑 queue的状况 以及同一queue 下其它runing 和 pending job的情况,要干这个活儿就得掌握所有这些信息,但HPA 要能访问这么多信息,就不太像一个HPA 做的事儿,更像是资源调度做的事儿。

让volcano支持弹性调度

以volcano 自带的vcjob 为例

apiVersion: batch.volcano.sh/v1alpha1
kind: Job
metadata:
  name: default-job
spec:
  minAvailable: 2
  queue: default
  tasks:
    - replicas: 4
      template:
        spec:
          containers:
            - image: nginx
              name: nginx

从crd定义上,volcano已经支持了弹性调度需要的字段, minAvailable=2 表示最小需要的worker数,replicas=4表示最大可能运行的workers数。

operator(或controller)与volcano 的协作逻辑为

  1. operator 为job创建volcano podgroup的时候,传给podgroup.minMember 不是当前副本数,而是min 的值。
  2. operator reconcile时负责pod 数量=max。
  3. 对于volcano 来说,一个job的pending和 running task数量之和表示max,一个job的minAvailable 表示min。

volcano掌握了要调度的所有pod、queue的资源使用情况, 便有足够的信息做出扩缩容决策。

弹性扩缩容的实现

训练代码层面,支持弹性之后,worker数量经常变化,每次变化都会重启worker

  1. 需使用checkpoint 来暂存训练成果。rank=0 启动时load checkpoint, 每次epoch 训练结束后 save checkpoint,checkpoint内容包括但不限于:model 数据、optimizer 数据、本次训练进行到了哪个epoch等。
  2. batch size、学习率等也应根据 worker数量(可以从env中获取WORLD_SIZE)进行一定调整。

pytorch 层面,必须使用python -m torch.distributed.run train_script.py来启动训练脚本,原理参见 云原生的弹性 AI 训练系列之二:PyTorch 1.9.0 弹性分布式训练的设计与实现,测试过程中发现pytorch v1.10 缩容的bug,由腾讯的同学提交issue推进修复。

operator 层面(指pytroch-operator)

pytorchjob 
   spec:
      elasticPolicy:
         min: 5
         max: 10
      pytorchReplicaSpecs:
        Worker:
            replicas: 10
            spec: 
                ...
  1. 弹性场景下不再明确区分master 和worker 角色,否则replicas=1时只有master,replicas > 1 时包含master 和worker,crd 内容不一致。没有master 之后,在backend=c10d场景下,由worker0担任类似master的角色,为保险起见,应确保worker0先于其它worker启动。
  2. crd支持elasticPolicy 配置,以设置最大和最小worker数,这个信息最终要传递给volcano。
  3. 改变operator 判断job 成功和失败的策略。在之前的分布式训练场景下,假设一个job 10个实例,10个实例都成功则job成功,有一个实例失败则job置为失败,并开始清理其它worker。在弹性场景下,判定成功与失败的逻辑应给予放宽。

资源调度层面,即volcano,假设一个弹性job min=5,max=10,则对于worker6到worker10(也可以认为是worker5到worker9)视为job的弹性worker,对于弹性worker,应保持一个原则:不能因为弹性worker占满了资源,让本来可以运行的任务无法开始。具体的说应对弹性worker“靠后创建,优先销毁”

  1. 先创建出所有job的min 个worker 后,再为job 创建弹性worker。
  2. 如果有新job提交,但没有富余资源时,应优先杀死弹性worker以腾出资源。

此外,训练任务多个worker 有角色之分:一个master(或rank=0的worker) 和多个worker,master应确保“优先创建,靠后删除”,让master 优先级大于worker 可以实现这个效果,volcano之前从Pod.Priority来获取任务优先级,这需要operator层面维护PriorityClass,不太方便,因此提供了一个pr 让volcano 可以从Pod Annotation中获取pod 优先级。

后续volcano 还可以支持配置“冷却时间”,因为训练job重启一次代价不小,所以一个job 的worker数量应尽量避免经常变动,在一次扩缩动作后,冷却一段时间再进行下一次扩缩。

小结

在实现弹性训练的过程中,发现了pytorch、pytorch-operator的一些bug,同时pytorch-operator、volcano需进行不小的功能增强,早知道这么复杂就不一定敢接这个活儿了。

在推进过程中,感受到了社区的巨大力量,除了整体方案外,我只进行了vocalno弹性调度的开发,对pytorch-operator 提了一些想法和bug,感谢腾讯的pytorch-operator 开发者高策、张望的对pytorch controller elastic 模式的开发支持,感谢华为的volcano社区的吴雷、王雷博的支持。