在 Kubernetes 上彈性深度學習訓練利器 -- Elastic Training Operator

作者 | 徐曉舟（蕭元）
來源|阿里巴巴雲原生公眾號

背景

由於雲計算在資源成本和彈性擴容方面的天然優勢，越來越多客戶願意在雲上構建 AI 系統，而以容器、Kubernetes 為代表的雲原生技術，已經成為釋放雲價值的最短路徑， 在雲上基於 Kubernetes 構建 AI 平台已經成為趨勢。

當面臨較復雜的模型訓練或者數據量大時，單機的計算能力往往無法滿足算力要求。通過使用阿里的 AiACC 或者社區的 horovod 等分布式訓練框架，僅需修改幾行代碼，就能將一個單機的訓練任務擴展為支持分布式的訓練任務。在 Kubernetes 上常見的是 kubeflow 社區的 tf-operator 支持 Tensorflow PS 模式，或者 mpi-operator 支持 horovod 的 mpi allreduce 模式。

現狀

Kubernetes 和雲計算提供敏捷性和伸縮性，我們可以通過 cluster-AutoScaler 等組件為訓練任務設置彈性策略，利用 Kubernetes 的彈性能力，按需創建，減少 GPU 設備空轉。

但這種伸縮模式面對訓練這種離線任務還是略有不足：

• 不支持容錯，當部分 Worker 由於設備原因失敗，整個任務需要停止重來。
• 訓練任務一般時間較長，占用算力大，任務缺少彈性能力。當資源不足時，除非任務終止，無法按需為其他業務騰出資源。
• 訓練任務時間較長，不支持 worker 動態配置， 無法安全地使用搶占實例，發揮雲上最大性價比

如何給訓練任務賦予彈性能力，是提高性價比的關鍵路徑。近期 horovod 等分布式框架逐漸支持了 Elastic Training，即彈性訓練能力。也就是允許一個訓練任務在執行的過程中動態的擴容或者縮容訓練 worker， 從不會引起訓練任務的中斷。需要在代碼中做少量修改適配，可參考：https://horovod.readthedocs.io/en/stable/elastic_include.html。

對 Elastic training 的實現原理感興趣可以看這篇 Elastic Horovod 設計文檔， 本文不詳細介紹。

在 mpi-operator 中，參與訓練的 Worker 都是作為靜態資源設計和維護，支持彈性訓練模式后，給任務增加了靈活性，同時也給運維層帶來了挑戰，例如：

• 必須通過 horovod 提供的 horovordrun 作為入口，horovod 中 launcher 通過 ssh 登陸 worker，需要打通 launcher 和 worker 之間的登陸隧道。

• 負責計算彈性的 Elastic Driver 模塊通過指定 discover_host 腳本獲取最新 worker 拓撲信息，從而拉起或停止 worker 實例。當 worker 變化時，首先要更新 discover_host 腳本的返回值。

• 在搶占或價格計算等場景中，有時需要指定 worker 縮容，K8s 原生的編排元語 deployment，statefulset 無法滿足指定縮容的場景。

解決方法

針對以上問題，我們設計開發了 et-operator，提供 TrainingJob CRD 描述訓練任務, ScaleOut 和 ScaleIn  CRD 描述擴容和縮容操作， 通過它們的組合，使我們的訓練任務更具有彈性。將這個方案開源，歡迎大家提需求、交流、吐槽。

開源方案地址：https://github.com/AliyunContainerService/et-operator

設計

TrainingJob Controller 主要有以下功能：

• 維護 TrainingJob 的創建/刪除生命周期，以及子資源管理。
• 執行擴縮容操作。
• 容錯，當 worker 被驅逐，創建新的 worker 加入到訓練中。

1. 資源創建

TrainingJob 子資源創建順序如下：

• 創建打通 ssh 所需的密鑰對， 創建 secret。
• 創建 workers，包含 service 和 pod，掛載 secret 公鑰。
• 創建 configmap， 包含 discover_host 腳本 , hostfile 文件。
• 創建 launcher，掛載 configmap。由於 hostfile 后續會隨着拓撲關系修改，所以 hostfile 單獨通過 initcontainer 從 configmap 拷貝到單獨目錄。

TrainingJob 相關資源：

TrainingJob CR 的配置分為 Lanucher 和 Worker。在 Launcher 中指定任務的鏡像和啟動執行， 默認 et-operator 會根據 worker 分配情況，生成一個 hostfile 文件和 discover_host 腳本，discover_host 腳本掛載到 Launcher 的 /etc/edl/discover_hosts.sh 文件， 在入口腳本的 horovodrun 執行中通過 --host-discovery-script 參數指定。在 Worker 設置中指定 worker 的鏡像和 GPU 占用 ，並可以通過 maxReplicas / minReplicas 指定 workers 的副本數允許范圍。

apiVersion: kai.alibabacloud.com/v1alpha1
kind: TrainingJob
metadata:
  name: elastic-training
  namespace: default
spec:
  cleanPodPolicy: Running
  etReplicaSpecs:
    launcher:
      replicas: 1
      template:
        spec:
          containers:
          - command:
            - sh
            - -c
            - horovodrun -np 2 --min-np 1 --max-np 9 --host-discovery-script
              /etc/edl/discover_hosts.sh python /examples/elastic/tensorflow2_mnist_elastic.py
            image: registry.cn-huhehaote.aliyuncs.com/lumo/horovod:master-tf2.1.0-torch1.4.0-mxnet-py3.6-gpu
            imagePullPolicy: Always
            name: mnist-elastic
    worker:
      maxReplicas: 9
      minReplicas: 1
      replicas: 2
      template:
        spec:
          containers:
          - image: registry.cn-huhehaote.aliyuncs.com/lumo/horovod:master-tf2.1.0-torch1.4.0-mxnet-py3.6-gpu
            imagePullPolicy: Always
            name: mnist-elastic
            resources:
              limits:
                nvidia.com/gpu: "1"
              requests:
                nvidia.com/gpu: "1"
status:
  currentWorkers:
  - elastic-training-worker-0
  - elastic-training-worker-1
  - elastic-training-worker-2
  - elastic-training-worker-3
  phase: Succeeded
  replicaStatuses:
    Launcher:
      active: 1
      succeeded: 1
    Worker:
      active: 4

2. Worker 擴容 / 縮容

除了 TrainingJob 外，et-operator 同時支持 ScaleOut 和 ScaleIn 兩種 CRD，下發訓練任務擴容和縮容操作。

當下發一個 ScaleOut CR，ScaleOutController 觸發 Reconcile， 這里工作很簡單，根據 ScaleOut CR 中的 Selector 字段，找到 Scaler 對應的 TrainingJob，設置到 CR 的 OwnerReferences 上。

以一個 ScaleOut 操作舉例：

- apiVersion: kai.alibabacloud.com/v1alpha1
  kind: ScaleOut
  metadata:
    creationTimestamp: "2020-11-04T13:54:26Z
    name: scaleout-ptfnk
    namespace: default
    ownerReferences:
    - apiVersion: kai.alibabacloud.com/v1alpha1
      blockOwnerDeletion: true
      controller: true
      kind: TrainingJob
      name: elastic-training // 指向擴容對象TrainingJob
      uid: 075b9c4a-22f9-40ce-83c7-656b329a2b9e
  spec:
  selector:
    name: elastic-training
  toAdd:
    count: 2

TrainingJobController 中監聽到屬於 TrainingJob  的 ScaleOut CR 有更新， 觸發 TrainingJob 的 Reconcile，遍歷過濾 TrainingJob 下 OwnerReference 指向的 ScaleIn 和 ScaleOut， 根據創建時間和狀態時間決定執行的擴容或者縮容。

apiVersion: kai.alibabacloud.com/v1alpha1
kind: TrainingJob
metadata:
  name: elastic-training
  namespace: default
spec: 
  // ...... Launcher and Worker spec
status:
  currentScaler: ScaleIn:default/scaleout-ptfnk
  phase: Scaling
  currentWorkers:
  - elastic-training-worker-0
  - elastic-training-worker-1

ScaleOut 任務 CR：

ScaleIn 任務 CR：

詳細工作過程：

運行

1. 安裝 ET-Operator

mkdir -p $(go env GOPATH)/src/github.com/aliyunContainerService
cd $(go env GOPATH)/src/github.com/aliyunContainerService
git clone https://http://github.com/aliyunContainerService/et-operator
cd et-operator
kubectl create -f deploy/all_in_one.yaml 

檢測 crd 的安裝：

# kubectl get crd
NAME                                    CREATED AT
scaleins.kai.alibabacloud.com           2020-11-11T11:16:13Z
scaleouts.kai.alibabacloud.com          2020-11-11T11:16:13Z
trainingjobs.kai.alibabacloud.com       2020-11-11T11:16:13Z

檢測 controller 的運行狀態，默認安裝在 kube-ai 中：

# kubectl -n kube-ai get po
NAME                                         READY   STATUS              RESTARTS   AGE
et-operator-controller-manager-7877968489-c5kv4   0/2     ContainerCreating   0          5s

2. 運行 TrainingJob

運行事先已准備好的示例：

kubectl apply -f examples/training_job.yaml

檢測運行狀態：

# kubectl get trainingjob
NAME                          PHASE     AGE
elastic-training              Running   77s

# kubectl get po
NAME                                      READY   STATUS             RESTARTS   AGE
elastic-training-launcher                 1/1     Running            0          7s
elastic-training-worker-0                 1/1     Running            0          10s
elastic-training-worker-1                 1/1     Running            0          9s

3. 縮容訓練任務 Worker

執行縮容時，可以通過 ScaleIn CR 中的 spec.toDelete.count  或 spec.toDelete.podNames  字段指定縮容的 worker。

通過 count 配置縮容的數量，則通過 index 計算由高到低縮容 Worker。

apiVersion: kai.alibabacloud.com/v1alpha1
kind: ScaleIn
metadata:
  name: scalein-workers
spec:
  selector:
    name: elastic-training
  toDelete:
    count: 1

如果想要縮容特定的 Worker，可以配置 podNames：

apiVersion: kai.alibabacloud.com/v1alpha1
kind: ScaleIn
metadata:
  name: scalein-workers
spec:
  selector:
    name: elastic-training
  toDelete:
    podNames:
    - elastic-training-worker-1

運行一個縮容示例，指定數量縮容 1 個 worker：

kubectl create -f examples/scale_in_count.yaml

檢測縮容執行狀態和訓練任務：

# kubectl get scalein
NAME                                     PHASE            AGE
scalein-sample-t8jxd                     ScaleSucceeded   11s

# kubectl get po
NAME                                      READY   STATUS             RESTARTS   AGE
elastic-training-launcher                 1/1     Running            0          47s
elastic-training-worker-0                 1/1     Running            0          50s

4. 擴容訓練任務

在 ScaleOut CR 中，通過 spec.toAdd.count 字段指定擴容的 worker 數：

apiVersion: kai.alibabacloud.com/v1alpha1
  kind: ScaleOut
  metadata:
    name: elastic-training-scaleout-9dtmw
    namespace: default
  spec:
    selector:
      name: elastic-training
    timeout: 300
    toAdd:
      count: 2

運行示例：

kubectl create -f examples/scale_out.yaml

檢測縮容執行狀態和訓練任務：

kubectl get scaleout
NAME                                     PHASE            AGE
elastic-training-scaleout-9dtmw          ScaleSucceeded   30s
kubectl get po
NAME                                      READY   STATUS             RESTARTS   AGE
elastic-training-launcher                 1/1     Running            0          2m5s
elastic-training-worker-0                 1/1     Running            0          2m8s
elastic-training-worker-1                 1/1     Running            0          40s
elastic-training-worker-2                 1/1     Running            0          40s

總結

ET-Operator 提供一組訓練和擴縮容 CRD 和 Controller， 讓我們在 Kubernetes 上方便地運行彈性分布式訓練，支持下發分布式訓練任務，並通過和分布式框架的集成聯動，在訓練任務運行過程中動態地擴容和縮容參與運算的 Workers。使我們的訓練任務具有彈性能力，結合搶占實例，能夠更好的利用雲上的資源彈性和性價比優勢。