一、背景

隨著云原生技術(shù)的飛速發(fā)展，各大公有云廠商提供的云服務(wù)也變得越來越標(biāo)準(zhǔn)、可靠和易用。憑借著云原生技術(shù)，用戶不僅可以在不同的云上低成本部署自己的業(yè)務(wù)，而且還可以享受到每一個(gè)云廠商在特定技術(shù)領(lǐng)域上的優(yōu)勢服務(wù)，因此多云架構(gòu)備受青睞。
知乎目前采用了多云架構(gòu)，主要是基于以下考慮：

服務(wù)多活：將同一個(gè)服務(wù)部署到不同的數(shù)據(jù)中心，防止單一數(shù)據(jù)中心因不可抗力不能正常提供服務(wù)，導(dǎo)致業(yè)務(wù)被 “一鍋端”；

容量擴(kuò)展：一般而言，在公司的服務(wù)器規(guī)模達(dá)到萬臺時(shí)，單一數(shù)據(jù)中心就很難支撐業(yè)務(wù)后續(xù)的擴(kuò)容需求了；

降本增效：對于同一服務(wù)，不同云廠商對同一服務(wù)的定價(jià)和運(yùn)維的能力也不盡相同，我們期望能夠達(dá)到比較理想的狀態(tài)，在云服務(wù)滿足我們需求的前提下，盡量享受到低廉的價(jià)格。
知乎目前有多個(gè)數(shù)據(jù)中心，主要的機(jī)房有以下兩個(gè)：

在線機(jī)房：主要是部署知乎主站上直接面向用戶的服務(wù)（如評論、回答等），這部分服務(wù)對時(shí)延敏感

離線機(jī)房：主要是部署一些離線存儲，計(jì)算相關(guān)的服務(wù)，對時(shí)延不敏感，但是對吞吐要求高。

兩個(gè)數(shù)據(jù)中心之間通過專線連接，許多重要服務(wù)都依賴于專線進(jìn)行跨機(jī)房調(diào)用，所以維持專線的穩(wěn)定十分重要。專線流量是衡量專線是否穩(wěn)定的重要指標(biāo)之一，如果專線流量達(dá)到專線的額定帶寬，就會導(dǎo)致跨專線服務(wù)之間的調(diào)用出現(xiàn)大量的超時(shí)或失敗。

一般而言，服務(wù)的吞吐都不會特別高，還遠(yuǎn)遠(yuǎn)達(dá)不到專線帶寬的流量上限，甚至連專線帶寬的一半都達(dá)不到，但是在我們的算法場景中有一些比較特殊的情況：算法模型的訓(xùn)練在離線機(jī)房，依賴 HDFS 上的海量數(shù)據(jù)集，以及 Spark 集群和機(jī)器學(xué)習(xí)平臺進(jìn)行大規(guī)模分布式訓(xùn)練，訓(xùn)練的模型結(jié)果存儲在 HDFS 上，一個(gè)模型甚至能達(dá)到數(shù)十上百 GB；在模型上線時(shí)，算法服務(wù)會從在線機(jī)房跨專線讀取離線 HDFS 上的模型文件，而算法服務(wù)一般有數(shù)十上百個(gè)容器，這些容器在并發(fā)讀取 HDFS 上的文件時(shí)，很輕易就能將專線帶寬打滿，從而影響其他跨專線服務(wù)。

二、多 HDFS 集群

在早期，我們解決算法模型跨機(jī)房讀取的方式非常簡單粗暴，部署一套新的 HDFS 集群到在線機(jī)房供算法業(yè)務(wù)使用，業(yè)務(wù)使用模型的流程如下：
1) 產(chǎn)出模型：模型由 Spark 集群或機(jī)器學(xué)習(xí)平臺訓(xùn)練產(chǎn)出，存儲到離線 HDFS 集群；
2) 拷貝模型：模型產(chǎn)出后，由離線調(diào)度任務(wù)定時(shí)拷貝需要上線的模型至在線 HDFS 集群；
3) 讀取模型：算法容器從在線 HDFS 集群讀取模型上線。

多 HDFS 集群的架構(gòu)雖然解決了專線流量的問題，但是依然存在一些問題：

多個(gè) HDFS 集群不便于維護(hù)，增加運(yùn)維人員負(fù)擔(dān)；

拷貝腳本需要業(yè)務(wù)自己實(shí)現(xiàn)，每次新上線模型時(shí)，都要同步修改拷貝腳本，不便維護(hù)；

在線 HDFS 集群的文件需要業(yè)務(wù)定期手動刪除以降低成本，操作風(fēng)險(xiǎn)高；

在線 HDFS 與離線 HDFS 之間文件視圖不一致，用戶在使用 HDFS 時(shí)，需要明確知道自己使用的是哪個(gè) HDFS，需要保存多個(gè)地址，心智負(fù)擔(dān)高；

在超高并發(fā)讀取時(shí)，比如算法一次性起上百個(gè)容器來讀取某個(gè)模型文件時(shí)，會導(dǎo)致 DataNode 負(fù)載過高，雖然可以通過增加副本解決，但是也會帶來較高的存儲成本。

基于以上痛點(diǎn)，我們自研了多云緩存服務(wù) —UnionStore。

三、自研組件 UnionStore

3.1 簡介
UnionStore 顧名思義，就是聯(lián)合存儲的意思，它提供了標(biāo)準(zhǔn)的 S3 協(xié)議來訪問 HDFS 上的數(shù)據(jù)，并且以對象存儲來作為跨機(jī)房緩存。UnionStore 目前在知乎有兩種使用場景：
模型上線場景：部署到在線機(jī)房，作為跨機(jī)房緩存使用：
用戶在向 UnionStore 請求讀取文件時(shí)，會先檢查文件是否已經(jīng)上傳到對象存儲上：

如果對象存儲已經(jīng)存在該文件，則直接從對象存儲讀取文件返回給用戶；

如果對象存儲不存在該文件，UnionStore 會先將離線 HDFS 上的文件上傳到在線機(jī)房的對象存儲上，再從對象存儲上讀取文件，返回給用戶，緩存期間用戶的請求是被 block 住的。這里相當(dāng)于是利用對象存儲做了一層跨機(jī)房緩存。

模型訓(xùn)練場景：部署到離線機(jī)房，作為 HDFS 代理使用，目的是為業(yè)務(wù)提供 S3 協(xié)議的 HDFS 訪問方式，通過 s3fs-fuse，業(yè)務(wù)就能掛載 HDFS 到本地目錄，讀取訓(xùn)練數(shù)據(jù)進(jìn)行模型的訓(xùn)練。
模型訓(xùn)練場景是我們 UnionStore 上線后的擴(kuò)展場景，之前我們嘗試過很多 HDFS 掛載 POSIX 的方式，但是效果都不太理想，主要體現(xiàn)在重試方面，而 UnionStore 正好提供了 S3 協(xié)議，s3fs-fuse 重試做的不錯(cuò)，所以我們最后選擇了 UnionStore + s3fs-fuse 對 HDFS 進(jìn)行本地目錄的掛載。
其工作流程如下：

相比于之前多 HDFS 集群方案，UnionStore 的優(yōu)勢如下：

1) UnionStore 提供了 S3 協(xié)議，各編程語言對 S3 協(xié)議的支持要比 HDFS 協(xié)議好，工具也相對來說也更豐富；

2) UnionStore 會自動緩存文件，無需用戶手動拷貝模型，省去了拷貝腳本的開發(fā)與維護(hù)；

3) 提供統(tǒng)一的文件視圖，因?yàn)樵獢?shù)據(jù)是實(shí)時(shí)請求 HDFS 的，所以文件視圖與 HDFS 強(qiáng)一致；

4) 下線了一個(gè) HDFS 集群，文件儲存能力由對象存儲提供，節(jié)省了大量的服務(wù)器成本；

5) 文件過期可依賴對象存儲本身提供的能力，無需自己實(shí)現(xiàn)；

6) UnionStore 以云原生的方式提供服務(wù)，部署在 k8s 上，每一個(gè)容器都是無狀態(tài)節(jié)點(diǎn)，可以很輕易的擴(kuò)縮容，在高并發(fā)的場景下，由于存儲能力轉(zhuǎn)移到對象存儲，在對象存儲性能足夠的情況下，不會遇到類似 DataNode 負(fù)載過高的問題。

3.2 實(shí)現(xiàn)細(xì)節(jié)

UnionStore 的完整架構(gòu)圖如下：

在使用對象存儲作為緩存時(shí)，UnionStore 有三個(gè)核心組件：

UnionStore Server：無狀態(tài)節(jié)點(diǎn)，每一個(gè)節(jié)點(diǎn)都能單獨(dú)提供服務(wù)，一般會部署多個(gè)，用于分?jǐn)偭髁?br />
Object Storage：對象存儲，用于緩存 HDFS 上的數(shù)據(jù)，一般是在哪個(gè)云廠商就使用對應(yīng)云廠商提供的對象存儲，流量費(fèi)用幾乎可忽略；

Task Manager：任務(wù)管理器，用于存儲緩存任務(wù)，可用 MySQL 和 Redis 實(shí)現(xiàn)。

基于這三個(gè)組件我們在 UnionStore 上實(shí)現(xiàn)了一系列有用的功能。

文件校驗(yàn)：文件被緩存至對象存儲后，如果 HDFS 上的文件做了修改，UnionStore 需要檢查到文件的變更，確保用戶不會讀取到錯(cuò)誤的文件。這里我們在將 HDFS 文件上傳至對象存儲時(shí)，會將 HDFS 文件的大小，最后修改時(shí)間，checksum 等元信息存儲到對象存儲文件的 UserMetadata 上，用戶在讀取文件時(shí)，會檢查這部分的信息，只有當(dāng)信息校驗(yàn)通過時(shí)，才會返回對象存儲上的文件，如果校驗(yàn)未通過，則會重新緩存這個(gè)文件，更新對象存儲上的緩存。
讀寫加速：對象存儲的單線程讀寫速度大約在 30-60MB/sec，遠(yuǎn)遠(yuǎn)小于 HDFS 的吞吐，如果不做特殊處理，是很難滿足業(yè)務(wù)的讀寫需求的。

在讀方面，我們利用對象存儲的 RangeRead 接口，多線程讀取對象存儲上的數(shù)據(jù)返回給用戶，達(dá)到了與 HDFS 相同的讀取速度。在寫方面，我們利用對象存儲的 MultiPartUpload 接口，多線程上傳 HDFS 上的文件，也能達(dá)到與 HDFS 相同的寫入速度。

文件僅緩存一次：因?yàn)?UnionStore Server 被設(shè)計(jì)成了無狀態(tài)節(jié)點(diǎn)，所以它們之間是無法互相感知的。如果有多個(gè)請求同時(shí)打到不同的 Server 節(jié)點(diǎn)上來請求未緩存的文件，這個(gè)文件可能會被不同的 Server 多次緩存，對專線造成較大的壓力。我們引入了 Task Manager 這個(gè)組件來解決這個(gè)問題：

Server 節(jié)點(diǎn)在接受到讀取未緩存文件的請求時(shí)，會先將用戶的請求異步卡住，生成緩存任務(wù)，提交到 Task Manager 的等待隊(duì)列中；

所有 Server 節(jié)點(diǎn)會不斷競爭等待隊(duì)列里的任務(wù)，只會有一個(gè)節(jié)點(diǎn)競爭成功，此時(shí)該節(jié)點(diǎn)會將緩存任務(wù)放入運(yùn)行隊(duì)列，開始執(zhí)行，執(zhí)行期間向任務(wù)隊(duì)列匯報(bào)心跳；

每個(gè) Server 節(jié)點(diǎn)會定期檢查自己卡住的用戶請求，來檢查 Task Manager 里對應(yīng)的任務(wù)，如果任務(wù)執(zhí)行成功，就會喚醒用戶請求，返回給用戶緩存后的文件；同時(shí)，每個(gè) Server 都會定期檢查 Task Manager 里正在運(yùn)行的任務(wù)，如果任務(wù)長時(shí)間沒有更新心跳，則會將任務(wù)從運(yùn)行隊(duì)列里取出，重新放回等待隊(duì)列，再次執(zhí)行。

這里所有的狀態(tài)變更操作都發(fā)生在 Server 節(jié)點(diǎn)，Task Manager 只負(fù)責(zé)存儲任務(wù)信息以及提供隊(duì)列的原子操作。

3.3 局限

UnionStore 項(xiàng)目在知乎運(yùn)行了兩年，早期并沒有出現(xiàn)任何問題，但是隨著算法業(yè)務(wù)規(guī)模的不斷擴(kuò)大，出現(xiàn)了以下問題：

1) 沒有元數(shù)據(jù)緩存，元數(shù)據(jù)強(qiáng)依賴 HDFS，在 HDFS 抖動的時(shí)候，有些需要頻繁更新的模型文件會受影響，無法更新，在線服務(wù)不應(yīng)強(qiáng)依賴離線 HDFS；

2) 讀寫加速因?yàn)橛玫搅硕嗑€程技術(shù)，對 CPU 的消耗比較大，在早期業(yè)務(wù)量不大的時(shí)候，UnionStore 只需要幾百 Core 就能支撐整個(gè)公司的算法團(tuán)隊(duì)讀取數(shù)據(jù)，但是隨著業(yè)務(wù)量不斷上漲，需要的 CPU 數(shù)也漲到了上千；
3) 對象存儲能力有上限，單文件上千并發(fā)讀取時(shí)，也會面臨性能瓶頸；

4) UnionStore 只做到了緩存，而沒有做到高性能緩存，業(yè)務(wù)方的大模型往往需要讀取十多分鐘，極大影響模型的更新速度，制約業(yè)務(wù)的發(fā)展；

5) 無法做到邊緩存邊返回文件，導(dǎo)致第一次讀取文件的時(shí)間過長。

另外還有一個(gè)關(guān)鍵點(diǎn)，機(jī)器學(xué)習(xí)平臺為保證多活，也采用了多云架構(gòu)，支持了多機(jī)房部署，在讀取訓(xùn)練數(shù)據(jù)時(shí)，走的是 UnionStore 對 HDFS 的直接代理，沒走緩存流程，因?yàn)橛?xùn)練數(shù)據(jù)大部分都是小文件，而且數(shù)量特別巨大，小文件都過一遍緩存會導(dǎo)致緩存任務(wù)在任務(wù)隊(duì)列里排隊(duì)時(shí)間過長，很難保證讀取的時(shí)效性，因此我們直接代理了 HDFS。按照這種使用方式，專線帶寬在訓(xùn)練數(shù)據(jù)規(guī)模擴(kuò)大時(shí)，依然會成為瓶頸。

以上痛點(diǎn)使我們面臨兩個(gè)選擇：一是繼續(xù)迭代 UnionStore，讓 UnionStore 具備高性能緩存能力，比如支持本地 SSD 以及內(nèi)存緩存；二是尋找合適的開源解決方案，完美替代 UnionStore 的使用場景?；谌肆Y源的寶貴，我們選擇了其二。

四、利用 Alluxio 替代 UnionStore

1. 調(diào)研

我們調(diào)研了業(yè)內(nèi)主流的文件系統(tǒng)，發(fā)現(xiàn) Alluxio 比較適合我們的場景，原因有以下幾點(diǎn)：

1) 透明緩存：相較于其他文件系統(tǒng)，Alluxio 可僅作為緩存使用，用于編排數(shù)據(jù)，業(yè)務(wù)方無需將模型文件寫入到其他的文件系統(tǒng)，只需要維持現(xiàn)狀，寫入 HDFS 即可；

2) 元數(shù)據(jù)與數(shù)據(jù)緩存：Alluxio 支持自定義緩存元數(shù)據(jù)與數(shù)據(jù)，這樣在讀取已緩存文件時(shí)，可完全不受 HDFS 影響；目前我們 UnionStore 的 QPS 大約在 20K-30K，緩存元數(shù)據(jù)可極大降低 NameNode 的壓力，反哺離線場景；

3) 豐富的 UFS 支持：支持除 HDFS 外的多種 UFS，比如對象存儲，對我們的數(shù)據(jù)湖場景也提供了強(qiáng)有力的支撐；

4) 即席查詢加速：知乎 Adhoc 引擎采用的是 Spark 與 Presto，Alluxio 對這兩個(gè)引擎都有較好的支持；

5) 訪問接口豐富：Alluxio 提供的 S3 Proxy 組件完全兼容 S3 協(xié)議，我們的模型上線場景從 UnionStore 遷移至 Alluxio 付出的成本幾乎可忽略不計(jì)；另外 Alluxio 提供的 Alluxio fuse 具備本地元數(shù)據(jù)緩存與數(shù)據(jù)緩存，比業(yè)務(wù)之前使用的 S3 fuse 具有更好的性能，正好能滿足我們的模型訓(xùn)練場景。

6) 社區(qū)活躍：Alluxio 社區(qū)十分活躍，在我們調(diào)研期間交流群基本上都會有熱心的網(wǎng)友及時(shí)答復(fù)， issue 很少有超過半天不回復(fù)的情況。

對 Alluxio 的調(diào)研讓我們非常驚喜，它不僅滿足了我們的需求，還給我們 “額外贈送” 了不少附加功能。我們在內(nèi)部對 Alluxio 進(jìn)行了測試，以 100G 的文件做單線程讀取測試，多次測試取平均值，結(jié)果如下

其中 HDFS 因?yàn)樯婕暗?OS 層面的緩存，波動是最大的，從 200MB/sec - 500MB/sec 都有，而 UnionStore 與 Alluxio 在命中緩存時(shí)表現(xiàn)十分穩(wěn)定。

2. 集群規(guī)劃

Alluxio 在我們的規(guī)劃中是每個(gè)機(jī)房部署一套，利用高性能 NVME 磁盤對 HDFS 和對象存儲上的數(shù)據(jù)進(jìn)行緩存，為業(yè)務(wù)提供海量數(shù)據(jù)的加速服務(wù)。

依據(jù)業(yè)務(wù)的使用場景，我們將 Alluxio 集群分為兩類。

模型上線加速集群：Alluxio 集群緩存模型本身，利用 S3 Proxy 對外提供只讀服務(wù)，加速模型的上線

模型訓(xùn)練加速集群：Alluxio 集群緩存模型訓(xùn)練數(shù)據(jù)，利用 Alluxio fuse 對 HDFS 上數(shù)據(jù)與元數(shù)據(jù)再做本地緩存，加速模型的訓(xùn)練；產(chǎn)出的模型直接通過 Alluxio fuse 寫入 HDFS 進(jìn)行持久化存儲。

3. 模型上線場景適配

3.1 場景特點(diǎn)

我們的模型上線場景有以下特點(diǎn)：

1) 用戶利用 S3 協(xié)議讀取模型文件；

2) 用戶將模型數(shù)據(jù)寫入到 HDFS 上后，需要立即讀取，數(shù)據(jù)產(chǎn)出與讀取的間隔在秒級，幾乎無法提前預(yù)熱，存在緩存穿透的問題；

3) 一份模型文件將由上百甚至上千個(gè)容器同時(shí)讀取，流量放大明顯，最大的單個(gè)模型讀取時(shí)，峰值流量甚至能達(dá)到 1Tb/sec；

4) 模型文件只會在短時(shí)間內(nèi)使用，高并發(fā)讀取完畢后可視為過期；

5) 數(shù)萬容器分散在上千個(gè) K8s 節(jié)點(diǎn)上，單個(gè)容器可用資源量較少。

針對模型上線場景，我們選擇了 S3 Proxy 來為業(yè)務(wù)提供緩存服務(wù)，不使用 Alluxio Client 以及 Alluxio fuse 主要是基于以下考慮：

用戶原本就是利用 S3 協(xié)議讀取文件，換成 S3 Proxy 幾乎無成本；

業(yè)務(wù)方使用的語言有 Python，Golang，Java 三種，Alluxio Client 是基于 Java 實(shí)現(xiàn)的，其他語言使用起來比較麻煩；

受限于單個(gè)容器的資源限制，不適合在容器內(nèi)利用 CSI 等方式啟動 Alluxio fuse，因?yàn)?fuse 的性能比較依賴磁盤和內(nèi)存的緩存。

3.2 集群部署

首先是集群的部署方式，在這個(gè)場景下，我們的 Alluxio 集群采取了 “大集群輕客戶端” 的方式來部署，也就是提供足夠數(shù)量的 Worker 與 S3 Proxy 來支撐業(yè)務(wù)以 S3 協(xié)議發(fā)起的高并發(fā)請求，架構(gòu)圖如下

我們的集群版本是 2.9.2，在這個(gè)版本，S3 Proxy 有 v1 v2 兩種實(shí)現(xiàn)，可通過配置 alluxio.proxy.s3.v2.version.enabled 進(jìn)行切換。v2 版本有一個(gè)很重要的功能，就是將 IO 操作與元數(shù)據(jù)操作進(jìn)行了分類，分別交給不同的線程池去處理。這樣做的好處是，讓元數(shù)據(jù)操作能夠快速執(zhí)行，不被 IO 線程卡住，因?yàn)橐话闱闆r下，元數(shù)據(jù)請求的 QPS 遠(yuǎn)遠(yuǎn)大于讀寫文件的 QPS。這個(gè)功能對我們非常有用，我們 UnionStore 的 QPS 在 25K 左右，其中 90% 的操作都是元數(shù)據(jù)訪問。

整個(gè) Alluxio 集群我們采取了裸金屬機(jī)部署，Alluxio 也提供了 k8s 的部署方式，但是在我們的權(quán)衡之下，還是選擇了裸金屬機(jī)部署，原因如下：

1) 從我們的測試結(jié)果來看，Alluxio Worker 在” 火力全開 “的情況下是可以輕易打滿雙萬兆網(wǎng)卡的，這個(gè)時(shí)候網(wǎng)卡是瓶頸；如果選擇 k8s 部署，當(dāng)有容器與 Alluxio Worker 調(diào)度到同一臺 k8s 的節(jié)點(diǎn)時(shí)，該容器容易受到 Alluxio Worker 的影響，無法搶占到足夠的網(wǎng)卡資源；

2) Alluxio Worker 依賴高性能磁盤做本地緩存，與其他服務(wù)混布容易收到其他進(jìn)程的磁盤 IO 影響，無法達(dá)到最佳性能；

3) 因?yàn)?Alluxio Worker 強(qiáng)依賴網(wǎng)卡，磁盤等物理資源，這些資源不適合與其他服務(wù)共享。強(qiáng)行以 k8s 部署，可能就是一個(gè) k8s 節(jié)點(diǎn)啟一個(gè) Alluxio Worker 的 DaemonSet，這其實(shí)也沒必要用 k8s 部署，因?yàn)榛谖覀冞^往的經(jīng)驗(yàn)，容器內(nèi)搞存儲，可能會遇到各類奇奇怪怪的問題，這些問題解決起來比較浪費(fèi)時(shí)間，影響正常的上線進(jìn)度。

我們除了按照社區(qū)文檔的推薦將 Master 與 Job Master，Worker 與 Job Worker 部署到同一臺機(jī)器上，還另外將 S3 Proxy 與 Worker 進(jìn)行了混布。S3 Proxy 在用戶看起來雖然是服務(wù)端，但是對 Alluxio 集群來說它還是客戶端，而 Alluxio 對于客戶端有一個(gè)非常重要的優(yōu)化：

當(dāng) Client 與 Worker 在同一節(jié)點(diǎn)時(shí)，就可以使用短路讀的功能，在短路讀開啟的情況下，Client 將不再利用網(wǎng)絡(luò)請求調(diào)用 Worker 上的 RPC 接口讀取數(shù)據(jù)，而是直接讀本地磁盤上的數(shù)據(jù)，能夠極大節(jié)省網(wǎng)卡資源。通過 S3 Porxy 訪問 Alluxio 時(shí)，流量主要分為以下幾個(gè)部分：

文件未緩存至 Alluxio：Worker 從 UFS 讀取數(shù)據(jù)，任一 Worker 只要緩存了 UFS 的文件，這部分流量將不存在；

文件在遠(yuǎn)端 Worker 緩存：本地 Worker 從其他 Worker 讀取數(shù)據(jù)緩存到本地，S3 Proxy 暫時(shí)從遠(yuǎn)端 Worker 讀取，本地 Worker 緩存完畢后這部分流量將不存在；

文件在本地 Worker 緩存：S3 Proxy 從本地 Worker 讀取的流量，這部分流量在開啟短路讀后將不存在；

業(yè)務(wù)方從 S3 Proxy 讀取的流量，這部分流量無法避免。

其中 1，2 中的流量遠(yuǎn)小于 3，4 中的流量，短路讀能夠?qū)?3 的流量省下，節(jié)省約 30%-50% 的流量。

其次是集群的部署規(guī)模，在模型讀取這個(gè)場景，盡管每天的讀取總量可達(dá)數(shù) PB，但是因?yàn)槟Ｐ臀募芸炀蜁^期，所以 Worker 的容量并不需要很大，Worker 網(wǎng)卡的總帶寬能夠支持讀取流量即可。Worker 的數(shù)量可按照 流量峰值 /(2/3* 網(wǎng)卡帶寬) 來計(jì)算，這里網(wǎng)卡需要預(yù)留 1/3 的 buffer 來供 Worker 讀取 UFS 以及 Worker 互相同步數(shù)據(jù)使用。

最后是 Alluxio Master 的 HA 方式，我們選擇了 Raft，在我們的測試過程中，在上億的元數(shù)據(jù)以及數(shù)百 GB 堆的情況下，Master 主從切換基本上在 10 秒以內(nèi)完成，效率極高，業(yè)務(wù)近乎無感。

3.3 上線與調(diào)優(yōu)

我們的上線過程也是我們調(diào)優(yōu)的一個(gè)過程。

在初期，我們只將一個(gè)小模型的讀取請求從 UnionStore 切換到了 Alluxio S3 Proxy，效果如下：

里面的每一條線段都代表著一個(gè)模型的讀取請求，線段的長短代表讀取數(shù)據(jù)的花費(fèi)的時(shí)間。

其中階段一是我們內(nèi)部的 UnionStore 服務(wù)，階段二是我們直接切換到 S3 Proxy 時(shí)的狀態(tài)，可以很明顯的看到換成 S3 Proxy 了以后，模型讀取的平均速度有所上升，但是出現(xiàn)了尖刺，也就是偶爾有請求讀取的很慢。問題出在模型讀取時(shí)，總是冷讀，也就是模型數(shù)據(jù)沒有經(jīng)過預(yù)熱，在文件未預(yù)熱的情況下，從 Alluxio 讀數(shù)據(jù)最多只能達(dá)到與 HDFS 相同的速度，不能充分發(fā)揮緩存的能力。

而且通過測試，我們發(fā)現(xiàn) Alluxio 在并發(fā)請求同一個(gè)沒有經(jīng)過預(yù)熱的文件時(shí)，性能會下降的十分嚴(yán)重，甚至達(dá)不到直接讀 HDFS 的速度。因此我們需要想辦法預(yù)熱文件。

預(yù)熱文件的手段一般有以下兩種：

1) 用戶在寫完文件后，手動調(diào)用 Alluxio load 命令，提前將數(shù)據(jù)緩存，確保在讀取的時(shí)候，需要的文件已經(jīng)被緩存了；

2) 根據(jù) HDFS 的 audit log 或者利用 HDFS 的 inotify 來訂閱文件的變更，只要發(fā)現(xiàn)算法目錄下有文件變動就加載緩存進(jìn) Alluxio。

方式 1 的問題在于需要用戶深度參與，有額外的心智負(fù)擔(dān)和開發(fā)成本，其次是用戶調(diào)用 load 命令不可控，如果對一個(gè)超大目錄進(jìn)行 load，將會使所有緩存失效。

方式 2 也需要用戶提供監(jiān)聽的路徑，如果路徑是文件比較方便，只需要監(jiān)聽 close 請求即可，但是路徑是目錄的情況下，涉及到臨時(shí)文件，rename 等，十分復(fù)雜；每次用戶新增模型時(shí)，都需要我們把路徑新加入監(jiān)控，有額外的溝通成本；另外由于我們這個(gè)場景，數(shù)據(jù)產(chǎn)出與讀取的間隔在秒級，監(jiān)控文件變更鏈路太長，可能出現(xiàn)一些延遲，從而導(dǎo)致預(yù)熱方案失效。

基于以上缺點(diǎn)，我們自己設(shè)計(jì)了一套緩存策略：

冷讀文件慢的本質(zhì)在于通過 Alluxio 讀取未緩存文件時(shí)，讀到哪一個(gè) block 才會去緩存這個(gè) block，沒有做到并發(fā)緩存 block。因此我們在 S3 Proxy 上添加了一個(gè)邏輯，在讀取文件時(shí)，會將文件按 block 進(jìn)行分段生成 cache block 任務(wù)，平均提交到每一個(gè) Worker 來異步緩存。這樣的好處是，客戶端在讀取前面少量幾個(gè)未緩存的 block 后，后面的 block 都是已經(jīng)緩存完畢的，讀取速度十分快。此外，由于提前緩存了 block，緩存穿透的問題也能有所緩解，HDFS 流量能夠下降 2 倍以上。

此緩存策略需要注意以下幾點(diǎn)：

1) 緩存 block 需要異步，并且所有的異常都要處理掉，不要影響正常的讀取請求；

2) 緩存 block 時(shí)，最好將 block id 與 Worker id 以某種方式（如 hash）進(jìn)行綁定，這樣能保證在對同一個(gè)文件進(jìn)行并發(fā)請求時(shí)，對某一個(gè) block 的緩存請求都只打到同一個(gè) Worker 上，避免不同的 Worker 從 UFS 讀取同一個(gè) block，放大 UFS 流量；

3) S3 Proxy 需要對提交的 cache block 任務(wù)計(jì)數(shù)，避免提交過多任務(wù)影響 Worker 正常的緩存邏輯，最好不要超過配置 alluxio.worker.network.async.cache.manager.threads.max 的一半，這個(gè)配置代表 Worker 處理異步緩存請求的最大線程數(shù)，默認(rèn)值是兩倍的 CPU 數(shù)；

4) S3 Proxy 需要對已經(jīng)提交緩存的 block 進(jìn)行去重，防止在高并發(fā)讀取同一個(gè)文件的情況下，多次提交同一個(gè) block 的緩存請求到 Worker，占滿 Worker 的異步緩存隊(duì)列。Worker 的異步緩存隊(duì)列大小由配置 alluxio.worker.network.async.cache.manager.queue.max 控制，默認(rèn)是 512。去重比較推薦使用 bitmap 按照 block id 做；

5) 在 Worker 異步緩存隊(duì)列沒滿的情況下，異步緩存的線程數(shù)將永遠(yuǎn)保持在 4 個(gè)，需要修改代碼提高 Worker 異步緩存的最小線程數(shù)，防止效率過低，可參考 #17179。

在上線了這個(gè)緩存策略后，我們進(jìn)入了階段三，可以看到，階段三的尖刺全部消失了，整體的速度略微有所提升。因?yàn)槲覀兪菍π∥募?GB 左右）進(jìn)行的緩存，所以提升效果不明顯。經(jīng)過我們測試，此緩存策略能夠提升讀取大文件（10GB 及以上）3-5 倍的速度，而且文件越大越明顯。

解決了緩存的問題后，我們繼續(xù)切換更多模型的讀取到 S3 Proxy，效果如下：

本次我們另外切換了三個(gè)模型的讀取請求到 S3 Proxy，其中橙色模型是我們之前已經(jīng)切換到 S3 Proxy 的模型，本次新增的模型最大達(dá)到了 10G，讀取流量峰值為 500Gb/sec。

這次我們同樣分為三個(gè)階段，階段一是橙色模型已經(jīng)切換到 S3 Proxy，其他模型都使用 UnionStore，因?yàn)槌壬Ｐ偷臄?shù)據(jù)量小，并且還用了 Alluxio 加速，所以它的讀取速度能夠比其他模型的讀取速度快上數(shù)十倍。

階段二是我們將其他模型也切換至 S3 Proxy 后的狀態(tài)，可以看到其他模型讀取速度明顯變快了，但是橙色模型讀取速度受到其他模型的影響反而變慢了，這是一個(gè)非常奇怪的現(xiàn)象。最后我們定位到是元數(shù)據(jù)緩存沒有開啟的原因，在元數(shù)據(jù)緩存沒有開啟的情況下，Alluxio 會將客戶端的每一次請求都打到 HDFS 上，加上 S3 Proxy 也會頻繁對一些系統(tǒng)目錄做檢查，這樣就導(dǎo)致 Master 同步元數(shù)據(jù)的負(fù)擔(dān)非常重，性能甚至能下降上千倍。

在這個(gè)場景，我們本來是不打算開啟元數(shù)據(jù)緩存的，主要是擔(dān)心業(yè)務(wù)對已緩存修改文件進(jìn)行修改，導(dǎo)致讀取到錯(cuò)誤的文件，從而影響模型的上線。但是從實(shí)踐的結(jié)果來看，元數(shù)據(jù)緩存必須要開啟來提升 Master 的性能。

與業(yè)務(wù)方溝通過后，我們制定了元數(shù)據(jù)一致性的規(guī)范：

1) 元數(shù)據(jù)緩存設(shè)置為 1min；

2) 新增文件盡量寫入新目錄，以版本號的方式管理，不要在舊文件上修改或覆蓋；

3) 對于歷史遺留，需要覆蓋新文件的任務(wù)，以及對元數(shù)據(jù)一致性要求比較高的任務(wù)，我們在 S3 Proxy 上提供特殊命令進(jìn)行元數(shù)據(jù)的同步，數(shù)據(jù)更新后，業(yè)務(wù)方自己調(diào)用命令同步元數(shù)據(jù)。

在開啟元數(shù)據(jù)緩存過后，我們來到了圖中的階段三，可以很明顯的看到所有模型數(shù)據(jù)的讀取速度有了飛躍式提升，相比于最開始沒有使用 S3 Proxy 讀取速度提升了 10+ 倍。這里需要注意的是，10+ 倍是指在 Alluxio 機(jī)器數(shù)量足夠多，網(wǎng)卡足夠充足的情況下能達(dá)到的效果，我們在實(shí)際使用過程中，用了 UnionStore 一半的資源達(dá)到了與 UnionStore 同樣的效果。

3.4 S3 Proxy 限速

我們在模型讀取場景上線 Alluxio 的本意是為了提高業(yè)務(wù)方讀取模型的速度，但是因?yàn)橥ㄟ^ Alluxio 讀數(shù)據(jù)實(shí)在是太快了，反而需要我們給它限速，非常的具有戲劇性。不限速將會面臨一個(gè)很嚴(yán)重的問題：算法容器在讀取模型時(shí)，如果文件較大，不僅會影響 S3 Proxy 所在物理機(jī)的網(wǎng)卡，也會導(dǎo)致該容器所在的 k8s 宿主機(jī)的網(wǎng)卡長時(shí)間處于被占滿狀態(tài)，從而影響這一節(jié)點(diǎn)上的其他容器。

目前限速的實(shí)現(xiàn)主要有以下幾種方案：

Worker 端限速：優(yōu)點(diǎn)是對所有客戶端生效，缺點(diǎn)是對同節(jié)點(diǎn)客戶端短路讀不生效，在我們的場景，S3 Proxy 會走短路讀，不能滿足我們的需求。

客戶端限速：優(yōu)點(diǎn)是能夠同時(shí)對 Alluxio fuse 和 S3 Proxy 生效，缺點(diǎn)是客戶端可以自己改配置繞過限制，同時(shí)服務(wù)端版本和客戶端版本可能存在不一致的情況，導(dǎo)致限速失效。

S3 Proxy 限速：只能對 S3 Proxy 生效，對其他的客戶端以及 Worker 都不能生效。

因?yàn)槲覀儺?dāng)前的目標(biāo)就是替代 UnionStore，業(yè)務(wù)方訪問 Alluxio 的入口只有 S3 Proxy，因此客戶端限速和 S3 Proxy 限速都能滿足我們的需求，但是從實(shí)現(xiàn)的難易角度上考慮，我們最后選擇了從 S3 Proxy 層面限速。
我們支持了兩種限速策略，一方面是 S3 Proxy 進(jìn)程全局限速，用于保護(hù) Worker 網(wǎng)卡不被打滿；另一方面是單連接限速，用于保護(hù)業(yè)務(wù)容器所在 k8s 節(jié)點(diǎn)。限速策略我們已經(jīng)貢獻(xiàn)給了社區(qū)，如果感興趣可以參考：#16866。

4. 模型訓(xùn)練場景適配

4.1 場景特點(diǎn)

我們的模型訓(xùn)練場景有以下特點(diǎn)：

1) 因?yàn)榇蟛糠珠_源的模型訓(xùn)練框架對本地目錄支持最好，所以我們最好是為業(yè)務(wù)提供 POSIX 訪問的方式；

2) 模型訓(xùn)練時(shí)，主要瓶頸在 GPU，而內(nèi)存，磁盤，網(wǎng)卡，CPU 等物理資源比較充足；

3) GPU 機(jī)器不會運(yùn)行訓(xùn)練任務(wù)以外的任務(wù)，不存在服務(wù)混布的情況；

4) 數(shù)據(jù)以快照形式管理，對元數(shù)據(jù)沒有一致性要求，但是需要有手段能夠感知 HDFS 上產(chǎn)生的新快照。

針對模型訓(xùn)練場景，毫無疑問我們應(yīng)該選擇 Alluxio fuse 來提供緩存服務(wù)：

1. Alluxio fuse 提供了 POSIX 訪問方式；

2. Alluxio fuse 能夠利用內(nèi)存和磁盤做元數(shù)據(jù)緩存與數(shù)據(jù)緩存，能夠最大程度利用 GPU 機(jī)器上閑置的物理資源。

4.2 性能測試

在上線前，我們對 fuse 用 fio 進(jìn)行了壓測。
Alluxio fuse 配置：

測試結(jié)果如下：

以上結(jié)果均針對數(shù)據(jù)已緩存至 fuse 本地磁盤的情況，1G 文件與 10G 文件讀取時(shí)，速度是 100G 文件的兩倍，這是因?yàn)槿萜鞯膬?nèi)存為 40G，有充足的 pagecache 來緩存 1G 與 10G 的文件，但是 100G 的文件沒有充足的 pagecache，所以性能會下降，但是也能達(dá)到不錯(cuò)的速度，整體行為符合預(yù)期。

4.3 集群部署

Alluxio fuse 的部署方式我們選擇了以 DaemonSet 部署，通過 host path 進(jìn)行映射，沒有選擇 CSI 部署，主要是基于以下考慮：

1) Alluxio fuse 高性能的核心在于數(shù)據(jù)緩存與元數(shù)據(jù)緩存，數(shù)據(jù)緩存需要消耗大量的磁盤，元數(shù)據(jù)緩存需要消耗大量的內(nèi)存，如果以 CSI 的形式進(jìn)行部署，每個(gè)容器只能分配到少量的磁盤與內(nèi)存給 Alluxio fuse 進(jìn)程；

2) 在模型進(jìn)行訓(xùn)練的時(shí)候，讀取的訓(xùn)練數(shù)據(jù)重復(fù)程度很高，如果每個(gè)容器起一個(gè) fuse 進(jìn)程，可能會導(dǎo)致同一機(jī)器緩存多份相同的文件，浪費(fèi)磁盤；

3) GPU 機(jī)器只跑訓(xùn)練任務(wù)，所以 fuse 進(jìn)程可以 long running，無需考慮資源釋放的問題；

4) host path 的部署方式可以很容易實(shí)現(xiàn)掛載點(diǎn)恢復(fù)。

這里對掛載點(diǎn)恢復(fù)做一個(gè)說明，一般情況下，如果 Alluxio fuse 容器因?yàn)楦鞣N異常掛了，哪怕 fuse 進(jìn)程重新啟動起來，將目錄重新進(jìn)行掛載，但是在業(yè)務(wù)容器里的掛載點(diǎn)也是壞掉的，業(yè)務(wù)也讀不了數(shù)據(jù)；但是如果做了掛載點(diǎn)恢復(fù)，Alluxio fuse 容器啟動起來以后，業(yè)務(wù)容器里的掛載點(diǎn)就會自動恢復(fù)，此時(shí)如果業(yè)務(wù)自身有重試邏輯，就能不受影響。

Alluxio fuse 進(jìn)程的掛載點(diǎn)恢復(fù)包括兩個(gè)部分，一部分是掛載點(diǎn)本身的恢復(fù)，也就是 fuse 進(jìn)程每次重啟后要掛到同一個(gè)掛載點(diǎn)；另一部分是客戶端緩存數(shù)據(jù)的恢復(fù)，也就是 fuse 進(jìn)程每次重啟后緩存數(shù)據(jù)目錄要與原先保持一致，避免從 Alluxio 集群重復(fù)拉取已經(jīng)緩存到本地的文件。掛載點(diǎn)恢復(fù)在 CSI 里需要做一些額外的開發(fā)來支持，但是如果是以 host path 的方式映射，只要在業(yè)務(wù)容器里配置了 HostToContainer 即可，不需要額外的開發(fā)。

我們 fuse 進(jìn)程的部署架構(gòu)圖如下：

在這個(gè)場景下，我們的 Alluxio 集群采取了 “小集群重客戶端” 的方式來部署，即提供一個(gè)規(guī)模較小的 Alluxio 集群，只用來做數(shù)據(jù)的分發(fā)，性能和緩存由 Alluxio fuse 自身保證。Alluxio 集群只需要提供高配置的 Master 和少量的 Worker 即可，集群整體的部署架構(gòu)如下：

按照這種部署模式，3 臺 Raft HA 的 Master 與 少量 Worker 就可支撐起 fuse 進(jìn)程大規(guī)模的部署。

4.4 Alluxio fuse 調(diào)優(yōu)

首先是元數(shù)據(jù)緩存，Alluxio fuse 可開啟元數(shù)據(jù)緩存，這里容易與 Master 對 UFS 元數(shù)據(jù)的緩存弄混淆，我們簡單做個(gè)說明：

1) Alluxio Master 會緩存 UFS 的元數(shù)據(jù)，決定是否更新元數(shù)據(jù)由客戶端配置的 alluxio.user.file.metadata.sync.interval 決定。假如這個(gè)值設(shè)置為 10min，客戶端在請求 Master 時(shí)，如果 Master 在之前的 10min 內(nèi)已經(jīng)更新過元數(shù)據(jù)，則 Master 會直接返回緩存的元數(shù)據(jù)，而不會請求 UFS 拿最新的元數(shù)據(jù)；否則將會返回 UFS 的最新的元數(shù)據(jù)，并且更新 Master 的元數(shù)據(jù)

2) 用戶在用 Alluxio fuse 訪問 Alluxio 時(shí)，會先看內(nèi)核緩存元數(shù)據(jù)是否失效（配置為 fuse 啟動參數(shù) attr_timeout,entry_timeout），再看用戶空間元數(shù)據(jù)緩存是否失效（配置為 alluxio.user.metadata.cache.expiration.time），再看 Master 緩存是否失效（配置為 alluxio.user.file.metadata.sync.interval），只要有一層沒失效，都不能拿到 HDFS 的最新元數(shù)據(jù)。

所以建議在開啟 fuse 元數(shù)據(jù)緩存后，設(shè)置 alluxio.user.file.metadata.sync.interval=0 以便每次 fuse 在本地元數(shù)據(jù)緩存失效后，都能拿到 UFS 最新的元數(shù)據(jù)。

另外 fuse 的元數(shù)據(jù)緩存可以通過一些特殊的命令來更新（需要配置 alluxio.fuse.special.command.enabled=true）：

元數(shù)據(jù)緩存可通過以下命令進(jìn)行強(qiáng)制刷新，假設(shè)我們的 mount 目錄為 /mnt/alluxio，利用以下命令可以刷新所有元數(shù)據(jù)緩存：

ls -l /mnt/alluxio/.alluxiocli.metadatacache.dropAll

利用以下命令可以刷新指定目錄（這里以 /user/test 為例）的元數(shù)據(jù)緩存

ls -l /mnt/alluxio/user/test/.alluxiocli.metadatacache.drop

在代碼中（以 python 為例），可以這樣清理元數(shù)據(jù)：

import os print(os.path.getsize("/mnt/alluxio/user/test/.alluxiocli.metadatacache.drop"))

但是需要注意，內(nèi)核元數(shù)據(jù)緩存是清理不掉的，所以這里推薦內(nèi)核元數(shù)據(jù)緩存設(shè)置一個(gè)較小的值，比如一分鐘，用戶空間元數(shù)據(jù)緩存設(shè)置一個(gè)較大的值，比如一小時(shí)，在對元數(shù)據(jù)有一致性要求的時(shí)候，手動刷新用戶空間元數(shù)據(jù)緩存后，等待內(nèi)核元數(shù)據(jù)緩存失效即可。

元數(shù)據(jù)緩存和數(shù)據(jù)緩存同時(shí)開啟的情況下，清理元數(shù)據(jù)緩存的命令在使用上會有一些問題，我們進(jìn)行了修復(fù)，參考：#17029。

其次就是數(shù)據(jù)緩存，我們的 Alluxio fuse 因?yàn)槭怯?DeamonSet 的方式進(jìn)行的部署，所以數(shù)據(jù)緩存我們基本上可以用滿整臺物理機(jī)的磁盤，極大降低了 Alluxio Worker 的流量。

最后就是資源配置，因?yàn)槊總€(gè)機(jī)器只起一個(gè) fuse 進(jìn)程，所以可以適當(dāng)給 fuse 進(jìn)程多分配給一些 CPU 和內(nèi)存，CPU 可以適當(dāng)超賣，以處理突然激增的請求。 內(nèi)存方面，首先是堆內(nèi)存的配置，如果開啟了用戶空間元數(shù)據(jù)緩存，按照 緩存路徑量數(shù) * 2KB * 2 來設(shè)置 Xmx。另外 DirectoryMemory 可設(shè)置大一點(diǎn)，一般 8G 夠用。

如果開啟了內(nèi)核數(shù)據(jù)緩存，還需要給容器留存一些空間來存放 pagecache，因?yàn)?kubernetes 計(jì)算容器內(nèi)存使用量會包含 pagecache 的使用量。關(guān)于 pagecache 是否會引起容器 OOM，我們查找了很多文檔都沒有得到準(zhǔn)確的結(jié)論，但是我們用如下配置進(jìn)行了壓測，發(fā)現(xiàn)容器并不會 OOM，并且 fuse 的表現(xiàn)十分穩(wěn)定：

4.5 上線結(jié)果

我們的算法模型訓(xùn)練切換至 Alluxio fuse 后，模型訓(xùn)練的效率達(dá)到了本地磁盤 90% 的性能，相比于原來 UnionStore 的 s3fs-fuse 的掛載，性能提升了約 250%。

五、S3 Proxy 在大數(shù)據(jù)場景的應(yīng)用

回顧模型上線場景，我們不僅為算法業(yè)務(wù)提供了模型加速讀取的能力，還沉淀下來了一個(gè)與對象存儲協(xié)議兼容，但是下載速度遠(yuǎn)超普通對象存儲的組件，那就是 Alluxio S3 Proxy，所以我們現(xiàn)在完全可以做一些” 拿著錘子找釘子 “的一些事情。 這里介紹一下我們大數(shù)據(jù)組件的發(fā)布與上線流程，流程圖大致如下：

下面用文字簡單描述：

1) 開發(fā)者修改代碼以后，將代碼合入對應(yīng)組件的 master 分支，此時(shí) Gitlab 將調(diào)用 CI 的 Web Hook，CI 會運(yùn)行對應(yīng)組件的打包編譯邏輯；

2) 組件打包成二進(jìn)制包后，CI 會向 Kosmos 注冊二進(jìn)制包的元信息，以及將二進(jìn)制包上傳至 Kosmos，Kosmos 在接受到二進(jìn)制包后，會上傳至對象存儲；

3) 開發(fā)者在大數(shù)據(jù)運(yùn)維平臺選擇要上線的組件，以及組件的版本，大數(shù)據(jù)組件會自動在生產(chǎn)環(huán)境的服務(wù)器上運(yùn)行部署邏輯；

4) 在部署邏輯運(yùn)行的過程中，會向 Kosmos 請求下載組件的二進(jìn)制包，Kosmos 將會直接返回對象存儲的只讀鏈接，供生產(chǎn)環(huán)境服務(wù)器進(jìn)行下載。

其中 Kosmos 是我們自研的包管理系統(tǒng)，其誕生的背景可以參考：Flink 實(shí)時(shí)計(jì)算平臺在知乎的演進(jìn)；另外我們的大數(shù)據(jù)運(yùn)維平臺也有相應(yīng)的專欄，感興趣可以查看：Ansible 在知乎大數(shù)據(jù)的實(shí)踐。

一方面，這個(gè)流程最大的問題在于大規(guī)模上線節(jié)點(diǎn)時(shí)，從對象存儲下載二進(jìn)制包速度過慢。比如我們要對所有的 DataNode 節(jié)點(diǎn)以及 NodeManager 節(jié)點(diǎn)做變更時(shí)，每臺機(jī)器都需要下載數(shù)百 MB 甚至上 GB 的二進(jìn)制包，按照對象存儲 20-30MB/sec 的下載速度，每臺機(jī)器需要花費(fèi)約 30 秒的時(shí)間來進(jìn)行下載，占了整個(gè)部署邏輯約 2/3 的時(shí)間。如果按照 10000 臺 DataNode 來計(jì)算，每兩臺滾動重啟（保證三副本一個(gè)副本可用），僅僅花費(fèi)在下載二進(jìn)制包上的時(shí)間就達(dá)到了 40+ 小時(shí)，及其影響部署效率。

另一方面，對象存儲在不同的機(jī)房使用時(shí)，也會面臨外網(wǎng)流量的問題，造成比較高的費(fèi)用；所以這里對 Kosmos 做了多機(jī)房改造，支持向不同的對象存儲上傳二進(jìn)制包，用戶在請求 Kosmos 時(shí)，需要在請求上加上機(jī)房參數(shù)，以便從 Kosmos 獲取同機(jī)房對象存儲的下載鏈接，如果用戶選錯(cuò)了機(jī)房，依然會使用外網(wǎng)流量。

上述問題其實(shí)可以通過改造大數(shù)據(jù)運(yùn)維平臺來解決，比如將下載與部署邏輯解耦，在節(jié)點(diǎn)上以較高的并發(fā)下載二進(jìn)制包后再進(jìn)行滾動部署，但是改造起來比較費(fèi)時(shí)費(fèi)力，更何況我們現(xiàn)在有了更高效下載文件的方式 — Alluxio S3 Proxy，所以更沒有動力來做這個(gè)改造了。

我們將 Kosmos 的對象存儲掛載到 Alluxio 上，Kosmos 在被請求下載時(shí)，返回 Alluxio S3 Proxy 的只讀鏈接，讓用戶從 S3 Proxy 讀取數(shù)據(jù)，改造后的流程圖如下：

經(jīng)過我們的改造，Kosmos 幾乎所有的下載請求都能在 1-2 秒內(nèi)完成，相比于從對象存儲下載，快了 90% 以上，下圖是我們的生產(chǎn)環(huán)境中，Kosmos 分別對接對象存儲與 Alluxio 的下載速度對比，其中 Alluxio S3 Proxy 被我們限速至 600MB/sec：

此外 Alluxio 我們也進(jìn)行了多機(jī)房部署，支持了 Kosmos 的多機(jī)房方案，哪怕是用戶選錯(cuò)了機(jī)房，也不會造成額外的外網(wǎng)流量，僅僅只是會請求其他機(jī)房的 Alluxio 集群，消耗一定的專線帶寬。

六、權(quán)限相關(guān)

Alluxio 在與 HDFS 對接時(shí)，會繼承 HDFS 的文件權(quán)限系統(tǒng)，而 HDFS 與 Alluxio 的用戶可能不一致，容易造成權(quán)限問題。權(quán)限問題比較重要，所以我們單獨(dú)用一個(gè)章節(jié)來做介紹。

我們通過研究代碼與測試，總結(jié)了基于 Alluxio 2.9.2 版本（HDFS 與 Alluxio 的認(rèn)證方式都是 SIMPLE），用戶與權(quán)限的映射關(guān)系，總覽圖如下：

首先是 Alluxio Java Client 的用戶：Alluxio Java Client 與 Alluxio 交互時(shí)，如果配置了 alluxio.security.login.username，Alluxio 客戶端將會以配置的用戶訪問 Alluxio 集群，否則將會以 Alluxio Java Client 的啟動用戶訪問 Alluxio。

Alluxio Master/Worker 在與 HDFS 交互時(shí)，如果 Master/Worker 在啟動時(shí)配置了環(huán)境變量 HADOOP_USER_NAME（可在 alluxio-env.sh 配置），則 Master/Worker 將會以配置的用戶訪問 HDFS，否則將會以 Master/Worker 的進(jìn)程啟動用戶訪問 HDFS。這里需要注意，Master 和 Worker 盡量配置一樣的 HDFS 用戶，否則一定會造成權(quán)限問題。

在向 HDFS 寫入文件時(shí)，Alluxio 會先以 Master/Worker 配置的 HDFS 用戶寫入文件，寫完以后會調(diào)用 HDFS 的 chown 命令，將文件的 owner 修改為 Alluxio Java Client 的用戶，這里我們舉例說明：假設(shè) Alluxio 啟動用戶為 alluxio，Alluxio Java Client 用戶為 test，在向 HDFS 寫入文件時(shí)，Alluxio 會先將文件以 alluxio 賬號寫到 HDFS 上，再將文件 chown 變成 test 用戶，這時(shí)如果 alluxio 用戶不是 HDFS 超級用戶，在 chown 時(shí)會發(fā)生錯(cuò)誤（比較坑的一點(diǎn)是這個(gè)錯(cuò)誤 alluxio 不會拋出給客戶端），導(dǎo)致 Alluxio 上看到的文件 owner 是 test，但是 HDFS 上的文件 owner 時(shí) alluxio，造成元數(shù)據(jù)不一致。

其次是 S3 Proxy 的用戶，S3 Proxy 它也是一個(gè)比較特殊的 Alluxio Java Client，但同時(shí)它也是一個(gè) Server 端，這里主要是用戶請求 S3 Proxy 的 AK SK 與 HDFS 用戶的映射。S3 Proxy 默認(rèn)會將用戶的 AK 映射成訪問 Alluxio 集群的用戶，這里也可以自己實(shí)現(xiàn)映射關(guān)系，比如將 AK 映射成特定的用戶，S3 Proxy 里有相關(guān)插件。

最后是 Alluxio fuse 的用戶，Alluxio fuse 因?yàn)樯婕暗?linux 文件系統(tǒng)，而且有多種與 linux 本地文件系統(tǒng)相關(guān)的實(shí)現(xiàn)，所以比前面的更加復(fù)雜，這里我們只討論默認(rèn)情況，也就是 alluxio.fuse.auth.policy.class=alluxio.fuse.auth.LaunchUserGroupAuthPolicy 時(shí)的情況。用戶在訪問掛載目錄時(shí)，用的是當(dāng)前 linux 用戶，用戶看到掛載目錄里所有文件的 owner 都是 fuse 進(jìn)程啟動用戶；fuse 在寫本地緩存目錄時(shí)，用的是 fuse 進(jìn)程的啟動用戶，此外 fuse 進(jìn)程與 Alluxio 集群交互時(shí)又完全遵循 Alluxio Java Client 的邏輯。

綜上所述，比較推薦的用戶設(shè)置方式為：

1) Alluxio 集群使用 alluxio 賬號啟動，并且將 alluxio 賬號設(shè)置為 HDFS 超級用戶；

2) S3 Proxy 用 alluxio 賬號啟動，用戶訪問時(shí)，AK 為 HDFS 賬號；

3) Alluxio fuse 以 root 用戶啟動，防止寫本地?cái)?shù)據(jù)沒有權(quán)限，并且加上 allow_other 參數(shù)，配置 alluxio.security.login.username 為 HDFS 用戶。

七、其他問題

在上線過程中，我們遇到了很多問題，其中大部分都跟配置項(xiàng)調(diào)優(yōu)有關(guān)。遇到這些問題的原因主要還是因?yàn)?Alluxio 是面相通用設(shè)計(jì)的緩存系統(tǒng)，而用戶的場景各式各樣，很難通過默認(rèn)配置完美適配，比如我們有多套 Alluxio 集群，每套集群用來解決不同的問題，所以這些集群的配置都有些許差異。多虧 Alluxio 提供了許多靈活的配置，大部分問題都能通過修改配置解決，所以這里只介紹一些讓我們印象深刻的 “代表”。

最大副本數(shù)：在模型上線場景，緩存副本數(shù)我們不設(shè)上限，因?yàn)樵谒惴Ｐ驮谧x取時(shí)，往往是一個(gè)大模型同時(shí)幾十個(gè)甚至上百個(gè)容器去讀，占用的存儲不多，但是讀取次數(shù)多，并且僅高并發(fā)讀取這一次，很少有再讀第二次的情況。所以這里對每一個(gè)緩存文件副本數(shù)不做限制，可以讓每個(gè) Worker 都緩存一份，這樣能夠達(dá)到最大的吞吐，擁有最好的性能。在模型訓(xùn)練場景，我們將緩存副本數(shù)設(shè)置為 3，一方面是因?yàn)橛?xùn)練數(shù)據(jù)量很大，需要節(jié)省存儲，另一方面是 Alluxio fuse 的本地緩存會承擔(dān)大部分流量，所以對于 Worker 的吞吐要求相對較低。

S3 Proxy ListObjects 問題：我們發(fā)現(xiàn) S3 Proxy 在實(shí)現(xiàn) ListObjects 請求時(shí)，會忽略 maxkeys 參數(shù)，列出大量不需要的目錄。比如我們請求的 prefix 是 /tmp/b， maxkeys 是 1，S3 Proxy 會遞歸列出 /tmp 下所有文件，再從所有文件里挑選出滿足 prefix /tmp/b 的第一條數(shù)據(jù)，這樣不僅性能差，也會導(dǎo)致可能出現(xiàn) OOM 的情況，我們采用臨時(shí)方案進(jìn)行的修復(fù)，感興趣可以參考 #16926。這個(gè)問題比較復(fù)雜，需要 Master 與 S3 Proxy 聯(lián)合去解決，可以期待 #16132 的進(jìn)展。

監(jiān)控地址沖突：我們監(jiān)控采用的是 Prometheus 方案，Alluxio 暴露了一部分指標(biāo)，但是 JVM 指標(biāo)需要額外在 Master 或者 Worker 的啟動參數(shù)中添加 agent 與端口暴露出來，添加 agent 以后，因?yàn)?monitor 會繼承 Master 與 Worker 的啟動參數(shù)，所以 monitor 也會嘗試使用與 Master 和 Worker 同樣的指標(biāo)端口，這會出現(xiàn) ”Address already in use“ 的錯(cuò)誤，從而導(dǎo)致 monitor 啟動失敗。具體可查看 #16657。

Master 異常加載 UFS 全量元數(shù)據(jù)：如果一個(gè)路徑下有 UFS mount 路徑，在對這個(gè)路徑調(diào)用 getStatus 方法時(shí)，Alluxio master 會遞歸同步這個(gè)路徑下的所有文件的元信息。比如 /a 路徑下的 /a/b 路徑是 UFS 的 mount 路徑，在調(diào)用 getStatus ("/a") 的時(shí)候，會導(dǎo)致 /a 下面的元數(shù)據(jù)被全量加載。如果 /a 是一個(gè)大路徑，可能會導(dǎo)致 Master 因?yàn)榧虞d了過多的元數(shù)據(jù)而頻繁 GC 甚至卡死。具體可查看 #16922。

Master 頻繁更新 access time：我們在使用過程中，發(fā)現(xiàn) Master 偶爾會很卡，通過 Alluxio 社區(qū)同學(xué)的幫助，定位到問題來自 Master 頻繁更新文件的最后訪問時(shí)間，通過合入 #16981，我們解決了這個(gè)問題。

八、總結(jié)與展望

其實(shí)從 2022 年的下半年我們就開始調(diào)研 Alluxio 了，但是因?yàn)榉N種原因，中途擱置了一段時(shí)間，導(dǎo)致 Alluxio 推遲到今年才上線。在我們調(diào)研與上線的過程中，Alluxio 社區(qū)是我們最強(qiáng)大的外援，為我們提供了海量的幫助。

本次我們在算法場景對 Alluxio 小試牛刀，取得的結(jié)果令人十分驚喜。

從性能上講，在算法模型上線的場景，我們將 UnionStore 用 Alluxio 替換后，最高能夠獲得數(shù)十倍的性能提升；在模型訓(xùn)練場景，我們配合 Alluxio fuse 的本地?cái)?shù)據(jù)緩存，能夠達(dá)到近似本地 NVME 磁盤的速度，相比于 UnionStore + s3fs-fuse 的方案，性能提升了 2-3 倍。

從穩(wěn)定性上講，在 HDFS 抖動或者升級切主的時(shí)候，因?yàn)橛袛?shù)據(jù)緩存和元數(shù)據(jù)緩存，Alluxio 能夠在一定時(shí)間內(nèi)不受影響，正常提供服務(wù)。 從成本上講，Alluxio 相比于 UnionStore 每年為我們節(jié)省了數(shù)十萬真金白銀，而且性能上還有盈余。

從長遠(yuǎn)的發(fā)展來看，Alluxio 具有強(qiáng)大的可擴(kuò)展性，尤其是 Alluxio 的新一代架構(gòu) Dora ，能夠支持我們對海量小文件緩存的需求，這讓我們更有信心支撐算法團(tuán)隊(duì)，面對即將到來的人工智能浪潮。 最后再次感謝 Alluxio 團(tuán)隊(duì)，在我們上線的過程中為我們提供了大量的幫助與建議，也希望我們后續(xù)能夠在大數(shù)據(jù) OLAP 查詢加速場景以及分布式數(shù)據(jù)集編排領(lǐng)域繼續(xù)深入合作與交流。

【案例二：螞蟻】Alluxio 在螞蟻集團(tuán)大規(guī)模訓(xùn)練中的應(yīng)用

一、背景介紹

首先是我們?yōu)槭裁匆?Alluxio，其實(shí)我們面臨的問題和業(yè)界基本上是相同的：

第一個(gè)是存儲 IO 的性能問題，目前 gpu 的模型訓(xùn)練速度越來越快，勢必會對底層存儲造成一定的壓力，如果底層存儲難以支持目前 gpu 的訓(xùn)練速度，就會嚴(yán)重制約模型訓(xùn)練的效率。

第二個(gè)是單機(jī)存儲容量問題，目前我們的模型集合越來越大，那么勢必會造成單機(jī)無法存放的問題。那么對于這種大模型訓(xùn)練，我們是如何支持的？

第三個(gè)是網(wǎng)絡(luò)延遲問題，目前我們有很多存儲解決方案，但都沒辦法把一個(gè)高吞吐、高并發(fā)以及低延時(shí)的性能融合到一起，而 Alluxio 為我們提供了一套解決方案，Alluxio 比較小型化，隨搭隨用，可以和計(jì)算機(jī)型部署在同一個(gè)機(jī)房，這樣可以把網(wǎng)絡(luò)延時(shí)、性能損耗降到最低，主要出于這個(gè)原因我們決定把 Alluxio 引入螞蟻集團(tuán)。

以下是分享的核心內(nèi)容：總共分為 3 個(gè)部分，也就是 Alluxio 引入螞蟻集團(tuán)之后，我們主要從以下三個(gè)方面進(jìn)行了性能優(yōu)化：第一部分是穩(wěn)定性建設(shè)、 第二部分是性能優(yōu)化、第三部分是規(guī)模提升。

二、穩(wěn)定性建設(shè)

首先介紹為什么要做穩(wěn)定性的建設(shè)，如果我們的資源是受 k8s 調(diào)度的，然后我們頻繁的做資源重啟或者遷移，那么我們就需要面臨集群頻繁的做 FO，F(xiàn)O 的性能會直接反映到用戶的體驗(yàn)上，如果我們的 FO 時(shí)間兩分鐘不可用，那么用戶可能就會看到有大量的報(bào)錯(cuò)，如果幾個(gè)小時(shí)不可用，那用戶的模型訓(xùn)練可能就會直接 kill 掉，所以穩(wěn)定性建設(shè)是至關(guān)重要的，我們做的優(yōu)化主要是從兩塊進(jìn)行：一個(gè)是 worker register follower，另外一個(gè)是 master 遷移。

1.Worker Register Follower

先介紹下這個(gè)問題的背景：上圖是我們 Alluxio 運(yùn)行的穩(wěn)定狀態(tài)，由 master 進(jìn)行元數(shù)據(jù)服務(wù)，然后內(nèi)部通過 raft 的進(jìn)行元數(shù)據(jù)一致性的同步，通過 primary 對外提供元數(shù)據(jù)的服務(wù)，然后通過 worker 節(jié)點(diǎn)對外提供 data 數(shù)據(jù)的服務(wù)，這兩者之間是通過 worker 注冊 primary 進(jìn)行一個(gè)發(fā)現(xiàn)，也就是 worker 節(jié)點(diǎn)的發(fā)現(xiàn)，這樣就可以保證在穩(wěn)定狀態(tài)下運(yùn)行。那如果這時(shí)候?qū)?primary 進(jìn)行了重啟，就需要做一次 FO 的遷移，也就是接下來這個(gè)過程，比如這時(shí)候?qū)?primary 進(jìn)行了重啟，那么內(nèi)部的 standby 就需要通過 raft 進(jìn)行重新選舉，選舉出來之前，其實(shí) primary 的元數(shù)據(jù)和 worker 是斷聯(lián)的，斷連的狀態(tài)下就需要進(jìn)行 raft 的一致性選舉，進(jìn)行一次故障的轉(zhuǎn)移，接下來如果這臺機(jī)器選舉出來一個(gè)新的 primary，這個(gè)時(shí)候 work 就需要重新進(jìn)行一次發(fā)現(xiàn)，發(fā)現(xiàn)之后注冊到 primary 里面，這時(shí)新的 primary 就對外提供元數(shù)據(jù)的服務(wù)，而 worker 對外提供 data 數(shù)據(jù)的服務(wù)，這樣就完成了一次故障的轉(zhuǎn)移，那么問題點(diǎn)就發(fā)生在故障發(fā)生在做 FO 的時(shí)候，worker 發(fā)現(xiàn)新的 primary 后需要重新進(jìn)行一次注冊，這個(gè)部分主要面臨三個(gè)問題：

第一個(gè)就是首個(gè) worker 注冊前集群是不可用的，因?yàn)閯傞_始首個(gè) worker 恢復(fù)了新的 primary 領(lǐng)導(dǎo)能力，如果這個(gè)時(shí)候沒有 worker，其實(shí)整個(gè) primary 是沒有 data 節(jié)點(diǎn)的，也就是只能訪問元數(shù)據(jù)而不能訪問 data 數(shù)據(jù)。

第二個(gè)是所有 worker 注冊過程中，冷數(shù)據(jù)對性能的影響。如果首個(gè) worker 注冊進(jìn)來了，這時(shí)就可以對外提供服務(wù)，因?yàn)橛?data 節(jié)點(diǎn)了，而在陸續(xù)的注冊的過程當(dāng)中如果首個(gè)節(jié)點(diǎn)注冊進(jìn)來了，然后后續(xù)的節(jié)點(diǎn)在注冊的過程當(dāng)中，用戶訪問 worker2 的緩存 block 的時(shí)候，worker2 處于一種 miss 的狀態(tài)，這時(shí)候 data 數(shù)據(jù)是丟失的，會從現(xiàn)存的 worker 中選舉出來到底層去讀文件，把文件讀進(jìn)來后重新對外提供服務(wù)，但是讀的過程當(dāng)中，比如說 worker1 去 ufs 里面讀的時(shí)候，這就牽扯了一個(gè)預(yù)熱的過程，會把性能拖慢，這就是注冊當(dāng)中的問題。

第三個(gè)是 worker 注冊完成之后的數(shù)據(jù)冗余清理問題。注冊完成之后，其實(shí)還有一個(gè)問題就是在注冊的過程當(dāng)中不斷有少量數(shù)據(jù)進(jìn)行了重新預(yù)熱，worker 全部注冊之后，注冊過程中重新緩存的這部分?jǐn)?shù)據(jù)就會造成冗余， 那就需要進(jìn)行事后清理，按照這個(gè)嚴(yán)重等級其實(shí)就是第一個(gè) worker 注冊前，這個(gè)集群不可用，如果 worker 規(guī)格比較小，可能注冊的時(shí)間 2-5 分鐘，這 2-5 分鐘這個(gè)集群可能就不可用，那用戶看到的就是大量報(bào)錯(cuò)，如果 worker 規(guī)格比較大，例如一個(gè)磁盤有幾 tb 的體量，完全注冊上來需要幾個(gè)小時(shí)。那這幾個(gè)小時(shí)整個(gè)集群就不可對外提供服務(wù)，這樣在用戶看來這個(gè)集群是不穩(wěn)定的，所以這個(gè)部分是必須要進(jìn)行優(yōu)化的。

我們目前的優(yōu)化方案是：把所有的 worker 向所有的 master 進(jìn)行注冊，提前進(jìn)行注冊，只要 worker 起來了 那就向所有的 master 重新注冊一遍，然后中間通過這種實(shí)時(shí)的心跳保持 worker 狀態(tài)的更新。那么這個(gè)優(yōu)化到底產(chǎn)生了怎樣效果？可以看下圖：

這個(gè)時(shí)候如果 primary 被重啟了，內(nèi)部通過 raft 進(jìn)行選舉，選舉出來的這個(gè)新的 primary 對外提供服務(wù)，primary 的選舉需要經(jīng)歷幾部分：第一部分就是 primary 被重啟之后，raft 進(jìn)行自發(fā)現(xiàn)，自發(fā)現(xiàn)之后兩者之間進(jìn)行重新選舉，選舉出來之后這個(gè)新的 primary 經(jīng)過 catch up 后就可以對外提供服務(wù)了，就不需要重新去獲取 worker 進(jìn)行一個(gè) register，所以這就可以把時(shí)間完全節(jié)省下來，只需要三步：自發(fā)現(xiàn)、選舉、catch up。 這個(gè)方案的效率非常高，只需要 30 秒以內(nèi)就可以完成，這就大大縮短了 FO 的時(shí)間。另一個(gè)層面來說，這里也有一些負(fù)面的影響，主要是其中一個(gè) master 如果進(jìn)行了重啟，那么對外來說這個(gè) primary 是可以提供正常服務(wù)的，然后這個(gè) standby 重啟的話，在對外提供服務(wù)的同時(shí)，worker 又需要重新注冊這個(gè) block 的元數(shù)據(jù)信息，這個(gè) block 元數(shù)據(jù)信息其實(shí)流量是非常大的，這時(shí)會對當(dāng)前的 worker 有一定影響，而且對部分注冊上來的 master 性能也有影響，如果這個(gè)時(shí)候集群的負(fù)載不是很重的話，是完全可以忽略的，所以做了這樣的優(yōu)化。

2.Master 的遷移問題

如圖所示，其實(shí)剛開始是由這三者 master 對外提供服務(wù)， 這三者達(dá)到一個(gè)穩(wěn)定的狀態(tài)，然后 worker 注冊到 primary 對外提供服務(wù)，這個(gè)時(shí)候如果對機(jī)器做了一些騰挪，比如 standby3 把 standby1 替換掉，然后 standby4 把 standby2 替換掉，然后新的 primary 把老的 primary 替換掉，這個(gè)時(shí)候新的這個(gè) master 的集群節(jié)點(diǎn)就是由這三者組成：standby3、standby4、新的 primary，按照正常的流程來說，這個(gè) worker 是需要跟當(dāng)前這個(gè)新的集群進(jìn)行建聯(lián)的，維持一個(gè)正常的心跳，然后對外提供服務(wù)，但是這時(shí)候并沒有，主要原因就是 worker 識別的 master 信息其實(shí)是一開始由 configer 進(jìn)行靜態(tài)注入的，在初始化的時(shí)候就已經(jīng)寫進(jìn)去了，而且后臺是靜態(tài)管理的，沒有動態(tài)的更新，所以永遠(yuǎn)都不能識別這三個(gè)節(jié)點(diǎn)， 識別的永遠(yuǎn)是三個(gè)老節(jié)點(diǎn)，相當(dāng)于是說這種場景直接把整個(gè)集群搞掛了，對外沒有 data 節(jié)點(diǎn)就不可提供服務(wù)了，恢復(fù)手段主要是需要手動把這三個(gè)新節(jié)點(diǎn)注冊到 configer 當(dāng)中，重新把這個(gè) worker 重啟一遍，然后進(jìn)行識別，如果這個(gè)時(shí)候集群規(guī)模比較大，worker 節(jié)點(diǎn)數(shù)量比較多，那這時(shí)的運(yùn)維成本就會非常大，這是我們面臨的 master 遷移問題，接下來看一下怎么應(yīng)對這種穩(wěn)定性：

我們的解決方案是在 primary 和 worker 之間維持了一個(gè)主心跳，如果 master 節(jié)點(diǎn)變更了就會通過主心跳同步當(dāng)前的 worker，實(shí)現(xiàn)實(shí)時(shí)更新 master 節(jié)點(diǎn)，比如 standby3 把 standby1 替換掉了，這個(gè)時(shí)候 primary 會把當(dāng)前的這三個(gè)節(jié)點(diǎn)：primary、standby2、standby3 通過主心跳同步過來給當(dāng)前的 worker，這個(gè)時(shí)候 worker 就是最新的，如果再把 standby4、standby2 替換，這時(shí)候又會把這三者之間的狀態(tài)同步過來，讓他保持是最新的，如果接下來把新的 primary 加進(jìn)來，就把這四者之間同步過來，重啟之后進(jìn)行選舉，選舉出來之后 這就是新的 primary，由于 worker 節(jié)點(diǎn)最后的一步是存著這四個(gè)節(jié)點(diǎn)，在這四個(gè)節(jié)點(diǎn)當(dāng)中便利尋找當(dāng)前的 leader，然后就可以識別新的 primary，再把這三個(gè)新的 master 同步過來 這樣就達(dá)到一個(gè)安全的迭代過程，這樣的情況下再受資源調(diào)度騰挪的時(shí)候，就可以穩(wěn)定的騰挪下去。以上兩部分就是穩(wěn)定性建設(shè)的內(nèi)容。

三、性能優(yōu)化

性能優(yōu)化我們主要進(jìn)行了 follower read only 的過程，首先給大家介紹一下背景，如圖所示：

這個(gè)是當(dāng)前 Alluxio 的整體框架，首先 client 端從 leader 拿取到元數(shù)據(jù)，根據(jù)元數(shù)據(jù)去訪問正常的 worker，leader 和 standby 之間通過 raft 進(jìn)行與元數(shù)據(jù)一致性的同步，leader 進(jìn)行元數(shù)據(jù)的同步只能通過 leader 發(fā)起然后同步到 standby，所以說他是有先后順序的。而 standby 不能通過發(fā)起新的信息同步到 leader，這是一個(gè)違背數(shù)據(jù)一致性原則的問題。

另一部分就是當(dāng)前的這個(gè) standby 經(jīng)過前面的 worker register follower 的優(yōu)化之后，其實(shí) standby 和 worker 之間也是有一定聯(lián)系的，而且數(shù)據(jù)都會收集上來，這樣就是 standby 在數(shù)據(jù)的完整性上已經(jīng)具備了 leader 的屬性，也就是數(shù)據(jù)基本上和 leader 是保持一致的。

而這一部分如果再把它作為 backup，即作為一種穩(wěn)定性備份的話，其實(shí)就是一種資源的浪費(fèi)，想利用起來但又不能打破 raft 數(shù)據(jù)一致性的規(guī)則，這種情況下我們就嘗試是不是可以提供只讀服務(wù)， 因?yàn)橹蛔x服務(wù)不需要更新 raft 的 journal entry，對一致性沒有任何的影響，這樣 standby 的性能就可以充分利用起來，所以說這里想了一些優(yōu)化的方案，而且還牽扯了一個(gè)業(yè)務(wù)場景，就是如果我們的場景適用于模型訓(xùn)練或者文件的 cache 加速的，那只有第一次預(yù)熱的時(shí)候數(shù)據(jù)才會有寫入，后面是只讀的，針對大量只讀場景應(yīng)用 standby 對整個(gè)集群的性能取勝是非?？捎^的。

下面是詳細(xì)的優(yōu)化方案，如圖所示：

主要是針對前面進(jìn)行的總結(jié)，所有的 worker 向所有的 standby 進(jìn)行注冊，這時(shí)候 standby 的數(shù)據(jù)和 primary 的數(shù)據(jù)基本上是一致的，另一部分還是 primary 和 worker 之間維護(hù)的主心跳，這個(gè)時(shí)候如果 client 端再發(fā)起只讀請求的時(shí)候，就會隨機(jī)散列到當(dāng)前所有的 master 上由他們進(jìn)行處理，處理完成之后返回 client 端，對于寫的請求還是會發(fā)放到 primary 上去。然后在不打破 raft 一致性的前提下，又可以把只讀的性能提升，這個(gè)機(jī)器擴(kuò)展出來，按照正常推理來說，只讀性能能夠達(dá)到三倍以上的擴(kuò)展，通過 follower read 實(shí)際測驗(yàn)下來效果也是比較明顯的。這是我們引入 Alluxio 之后對性能的優(yōu)化。

四、規(guī)模提升

規(guī)模提升主要是橫向擴(kuò)展，首先看一下這個(gè)問題的背景：如圖所示：

還是 Alluxio 的框架，master 里面主要包含了很多構(gòu)件元素，第一個(gè)就是 block master，第二個(gè)是 file master，另外還有 raft 和 snapshot，這個(gè)部分的主要影響因素就是在這四個(gè)方面：

Bblock master，如果我們是大規(guī)模集群創(chuàng)建下，block master 面臨的瓶頸就是內(nèi)存，它會侵占掉大量 master 的內(nèi)存，主要是保存的 worker 的 block 信息；

File master，主要是保存了 inode 信息，如果是大規(guī)模場景下，對本地存儲的壓力是非常大的

Raft 面臨的同步效率問題；

snapshot 的效率，如果 snapshot 的效率跟不上，可以發(fā)現(xiàn)后臺會積壓非常多 journal entry，這對性能提升也有一定影響；

做了一些測試之后，在大規(guī)模場景下，其實(shí)機(jī)器規(guī)格不是很大的話，也就支持 3-6 個(gè)億這樣的規(guī)模，如果想支持 10 億甚至上百億這樣的規(guī)模，全部靠擴(kuò)大存儲機(jī)器的規(guī)格是不現(xiàn)實(shí)的，因?yàn)槟Ｐ陀?xùn)練的規(guī)模可以無限增長，但是機(jī)器的規(guī)格不可以無限擴(kuò)充，那么針對這個(gè)問題我們是如何優(yōu)化的呢？

這個(gè)優(yōu)化我們主要借鑒了 Redis 的實(shí)現(xiàn)方案，就是可以在底層對元數(shù)據(jù)進(jìn)行分片，然后由多個(gè) cluster 集群對外提供服務(wù)，這樣做的一個(gè)好處就是對外可以提供一個(gè)整體，當(dāng)然也可以采取不同的優(yōu)化策略，比如多個(gè)集群完全由用戶自己去掌控，把不同的數(shù)據(jù)分配到每一個(gè)集群上，但這樣對用戶的使用壓力就會比較大。先來介紹一下這個(gè)框架，首先我們把這個(gè)元數(shù)據(jù)進(jìn)行一個(gè)分片，比如用戶拿到的整體數(shù)據(jù)規(guī)模集合比較大，單集群放不下了，這時(shí)候會把大規(guī)模的數(shù)據(jù)集合進(jìn)行一個(gè)分片，把元數(shù)據(jù)進(jìn)行一些哈希（Hash）映射，把一定 hash 的值映射到其中某一個(gè) shard 上，這樣 cluster 這個(gè)小集群就只需要去緩存對應(yīng)部分 key 對應(yīng)的文件，這樣就可以在集群上面有目標(biāo)性的進(jìn)行選擇。

那么接下來其他的數(shù)據(jù)就會留給其他 cluster，把全量的 hash 分配到一個(gè)設(shè)定的集群規(guī)模上，這樣就可以通過幾個(gè) shard 把整個(gè)大的模型訓(xùn)練文件數(shù)量 cache 下來，對外提供大規(guī)模的模型訓(xùn)練，然后我們的前端是增加了 proxy，proxy 其實(shí)內(nèi)部是維護(hù)一張 hash 映射表的，用戶過來的請求其實(shí)是通過 proxy 進(jìn)行 hash 的映射查找，然后分配到固定的某一個(gè)集群上進(jìn)行處理，比如過來的一個(gè)文件請求通過計(jì)算它的 hash 映射可以判定 hash 映射路由到 cluster1 上面去，這樣其實(shí)就可以由 cluster1 負(fù)責(zé)，其他 key 的映射分配到其他 cluster 上，把數(shù)據(jù)打散，這樣的好處有很多方面：

第一個(gè)就是元數(shù)據(jù)承載能力變大了；

第二個(gè)就把請求的壓力分配到多個(gè)集群上去，整體的 qps 能力、集群的吞吐能力都會得到相應(yīng)的提升；

第三個(gè)就是通過這種方案，理論上可以擴(kuò)展出很多的 cluster 集群，如果單個(gè)集群支持的規(guī)模是 3-6 個(gè)億，那三個(gè)集群支持的規(guī)模就是 9-18 億，如果擴(kuò)展的更多，對百億這種規(guī)模也可以提供一種支持的解決方案。

以上是我們對模型進(jìn)行的一些優(yōu)化。整個(gè)的框架包括穩(wěn)定性的建設(shè)、性能的優(yōu)化和規(guī)模的提升。

在穩(wěn)定建設(shè)方面：我們可以把整個(gè)集群做 FO 的時(shí)間控制在 30 秒以內(nèi)，如果再配合一些其他機(jī)制，比如 client 端有一些元數(shù)據(jù)緩存機(jī)制，就可以達(dá)到一種用戶無感知的條件下進(jìn)行 FO，這種效果其實(shí)也是用戶最想要的，在他們無感知的情況下，底層做的任何東西都可以恢復(fù)，他們的業(yè)務(wù)訓(xùn)練也不會中斷，也不會有感到任何的錯(cuò)誤，所以這種方式對用戶來說是比較友好的。

在性能優(yōu)化方面：單個(gè)集群的吞吐已經(jīng)形成了三倍以上提升，整個(gè)性能也會提升上來，可以支持更大并發(fā)的模型訓(xùn)練任務(wù)。

在模型規(guī)模提升方面：模型訓(xùn)練集合越來越大，可以把這種模型訓(xùn)練引入進(jìn)來，對外提供支持。

在 Alluxio 引入螞蟻適配這些優(yōu)化之后，目前運(yùn)行下來對各個(gè)方向業(yè)務(wù)的支持效果都是比較明顯的。另外目前我們跟開源社區(qū)也有很多的合作，社區(qū)也給我們提供很多幫助，比如在一些比較著急的問題上，可以給我們提供一些解決方案和幫助，在此我們表示感謝！

【案例三：微軟】面向大規(guī)模深度學(xué)習(xí)訓(xùn)練的緩存優(yōu)化實(shí)踐

分享嘉賓：張虔熙 - 微軟高級研發(fā)工程師

導(dǎo)讀

近些年，隨著深度學(xué)習(xí)的崛起， Alluxio 分布式緩存技術(shù)逐步成為業(yè)界解決云上 IO 性能問題的主流方案。不僅如此，Alluxio 還天然具備數(shù)據(jù)湖所需的統(tǒng)一管理和訪問的能力。本文將分享面向大規(guī)模深度學(xué)習(xí)訓(xùn)練的緩存優(yōu)化，主要分析如今大規(guī)模深度學(xué)習(xí)訓(xùn)練的存儲現(xiàn)狀與挑戰(zhàn)，說明緩存數(shù)據(jù)編排在深度學(xué)習(xí)訓(xùn)練中的應(yīng)用，并介紹大規(guī)模緩存系統(tǒng)的資源分配與調(diào)度。

一、項(xiàng)目背景和緩存策略

首先來分享一下相關(guān)背景。

近年來，AI 訓(xùn)練應(yīng)用越來越廣泛。從基礎(chǔ)架構(gòu)角度來看，無論是大數(shù)據(jù)還是 AI 訓(xùn)練集群中，大多使用存儲與計(jì)算分離的架構(gòu)。比如很多 GPU 的陣列放到一個(gè)很大的計(jì)算集群中，另外一個(gè)集群是存儲。也可能是使用的一些云存儲，像微軟的 Azure 或者是亞馬遜的 S3 等。這樣的基礎(chǔ)架構(gòu)的特點(diǎn)是，首先，計(jì)算集群中有很多非常昂貴的 GPU，每臺 GPU 往往有一定的本地存儲，比如 SSD 這樣的幾十 TB 的存儲。這樣一個(gè)機(jī)器組成的陣列中，往往是用高速網(wǎng)絡(luò)去連接遠(yuǎn)端，比如 Coco、 image net、YouTube 8M 之類的非常大規(guī)模的訓(xùn)練數(shù)據(jù)是以網(wǎng)絡(luò)進(jìn)行連接的。

如上圖所示，數(shù)據(jù)有可能會成為下一個(gè) AI 訓(xùn)練的瓶頸。我們觀察到數(shù)據(jù)集越來越大，隨著 AI 應(yīng)用更加廣泛，也在積累更多的訓(xùn)練數(shù)據(jù)。同時(shí) GPU 賽道是非常卷的。比如 AMD、TPU 等廠商，花費(fèi)了大量精力去優(yōu)化硬件和軟件，使得加速器，類似 GPU、TPU 這些硬件越來越快。隨著公司內(nèi)加速器的應(yīng)用非常廣泛之后，集群部署也越來越大。這里的兩個(gè)表呈現(xiàn)了關(guān)于數(shù)據(jù)集以及 GPU 速度的一些變化。之前的 K80 到 V100、 P100、 A100，速度是非常迅速的。但是，隨著速度越來越快，GPU 變得越來越昂貴。我們的數(shù)據(jù)，比如 IO 速度能否跟上 GPU 的速度，是一個(gè)很大的挑戰(zhàn)。

如上圖所示，在很多大公司的應(yīng)用中，我們觀察到這樣一個(gè)現(xiàn)象：在讀取遠(yuǎn)程數(shù)據(jù)的時(shí)候，GPU 是空閑的。因?yàn)?GPU 是在等待遠(yuǎn)程數(shù)據(jù)讀取，這也就意味著 IO 成為了一個(gè)瓶頸，造成了昂貴的 GPU 被浪費(fèi)。有很多工作在進(jìn)行優(yōu)化來緩解這一瓶頸，緩存就是其中很重要的一個(gè)優(yōu)化方向。這里介紹兩種方式。

第一種，在很多應(yīng)用場景中，尤其是以 K8s 加 Docker 這樣的基礎(chǔ) AI 訓(xùn)練架構(gòu)中，用了很多本地磁盤。前文中提到 GPU 機(jī)器是有一定的本地存儲的，可以用本地磁盤去做一些緩存，把數(shù)據(jù)先緩存起來。啟動了一個(gè) GPU 的 Docker 之后，不是馬上啟動 GPU 的 AI 訓(xùn)練，而是先去下載數(shù)據(jù)，把數(shù)據(jù)從遠(yuǎn)端下載到 Docker 內(nèi)部，也可以是掛載等方式。下載到 Docker 內(nèi)部之后再開始訓(xùn)練。這樣盡可能的把后邊的訓(xùn)練的數(shù)據(jù)讀取都變成本地的數(shù)據(jù)讀取。本地 IO 的性能目前來看是足夠支撐 GPU 的訓(xùn)練的。VLDB 2020 上面，有一篇 paper，CoorDL，是基于 DALI 進(jìn)行數(shù)據(jù)緩存。這一方式也帶來了很多問題。首先，本地的空間是有限的，意味著緩存的數(shù)據(jù)也是有限的，當(dāng)數(shù)據(jù)集越來越大的時(shí)候，很難緩存到所有數(shù)據(jù)。另外，AI 場景與大數(shù)據(jù)場景有一個(gè)很大的區(qū)別是，AI 場景中的數(shù)據(jù)集是比較有限的。不像大數(shù)據(jù)場景中有很多的表，有各種各樣的業(yè)務(wù)，每個(gè)業(yè)務(wù)的數(shù)據(jù)表的內(nèi)容差距是非常大的。在 AI 場景中，數(shù)據(jù)集的規(guī)模、數(shù)據(jù)集的數(shù)量遠(yuǎn)遠(yuǎn)小于大數(shù)據(jù)場景。所以常常會發(fā)現(xiàn)，公司中提交的任務(wù)很多都是讀取同一個(gè)數(shù)據(jù)。如果每個(gè)人下載數(shù)據(jù)到自己本地，其實(shí)是不能共享的，會有非常多份數(shù)據(jù)被重復(fù)存儲到本地機(jī)器上。這種方式顯然存在很多問題，也不夠高效。

接下來介紹第二種方式。既然本地的存儲不太好，那么，是否可以使用像 Alluxio 這樣一個(gè)分布式緩存來緩解剛才的問題，分布式緩存有非常大的容量來裝載數(shù)據(jù)。另外，Alluxio 作為一個(gè)分布式緩存，很容易進(jìn)行共享。數(shù)據(jù)下載到 Alluxio 中，其他的客戶端，也可以從緩存中讀取這份數(shù)據(jù)。這樣看來，使用 Alluxio 可以很容易地解決上面提到的問題，為 AI 訓(xùn)練性能帶來很大的提升。微軟印度研究院在 FAST2020 發(fā)表的名為 Quiver 的一篇論文，就提到了這樣的解決思路。但是我們分析發(fā)現(xiàn)，這樣一個(gè)看似完美的分配方案，還是比較靜態(tài)的，并不高效。同時(shí)，采用什么樣的 cache 淘汰算法，也是一個(gè)很值得討論的問題。

如上圖所示，是使用 Alluxio 作為 AI 訓(xùn)練的緩存的一個(gè)應(yīng)用。使用 K8s 做整個(gè)集群任務(wù)的調(diào)度和對 GPU、CPU、內(nèi)存等資源的管理。當(dāng)有用戶提交一個(gè)任務(wù)到 K8s 時(shí)，K8s 首先會做一個(gè)插件，通知 Alluxio 的 master，讓它去下載這部分?jǐn)?shù)據(jù)。也就是先進(jìn)行一些熱身，把作業(yè)可能需要的任務(wù)，盡量先緩存一些。當(dāng)然不一定非得緩存完，因?yàn)?Alluxio 是有多少數(shù)據(jù)，就使用多少數(shù)據(jù)。剩下的，如果還沒有來得及緩存，就從遠(yuǎn)端讀取。另外，Alluxio master 得到這樣的命令之后，就可以讓調(diào)度它的 worker 去遠(yuǎn)端?？赡苁窃拼鎯?，也可能是 Hadoop 集群把數(shù)據(jù)下載下來。這個(gè)時(shí)候，K8s 也會把作業(yè)調(diào)度到 GPU 集群中。比如上圖中，在這樣一個(gè)集群中，它選擇第一個(gè)節(jié)點(diǎn)和第三個(gè)節(jié)點(diǎn)啟動訓(xùn)練任務(wù)。啟動訓(xùn)練任務(wù)之后，需要進(jìn)行數(shù)據(jù)的讀取。在現(xiàn)在主流的像 PyTorch、Tensorflow 等框架中，也內(nèi)置了 Prefetch，也就是會進(jìn)行數(shù)據(jù)預(yù)讀取。它會讀取已經(jīng)提前緩存的 Alluxio 中的緩存數(shù)據(jù)，為訓(xùn)練數(shù)據(jù) IO 提供支持。當(dāng)然，如果發(fā)現(xiàn)有一些數(shù)據(jù)是沒有讀到的，Alluxio 也可以通過遠(yuǎn)端進(jìn)行讀取。Alluxio 作為一個(gè)統(tǒng)一的接口是非常好的。同時(shí)它也可以進(jìn)行數(shù)據(jù)的跨作業(yè)間的共享。

如上圖所示，比如又有一個(gè)人提交了同樣數(shù)據(jù)的另一個(gè)作業(yè)，消耗的是同一個(gè)數(shù)據(jù)集，這個(gè)時(shí)候，當(dāng)提交作業(yè)到 K8s 的時(shí)候，Alluxio 就知道已經(jīng)有這部分?jǐn)?shù)據(jù)了。如果 Alluxio 想做的更好，甚至是可以知道，數(shù)據(jù)即將會被調(diào)度到哪臺機(jī)器上。比如這個(gè)時(shí)候調(diào)度到 node 1、node 3 和 node 4 上。node 4 的數(shù)據(jù)，甚至可以做一些副本進(jìn)行拷貝。這樣所有的數(shù)據(jù)，即使是 Alluxio 內(nèi)部，都不用跨機(jī)器讀，都是本地的讀取。所以看起來 Alluxio 對 AI 訓(xùn)練中的 IO 問題有了很大的緩解和優(yōu)化。但是如果仔細(xì)觀察，就會發(fā)現(xiàn)兩個(gè)問題。

第一個(gè)問題就是緩存的淘汰算法非常低效，因?yàn)樵?AI 場景中，訪問數(shù)據(jù)的模式跟以往有很大區(qū)別。第二個(gè)問題是，緩存作為一種資源，與帶寬（即遠(yuǎn)程存儲的讀取速度）是一個(gè)對立的關(guān)系。如果緩存大，那么從遠(yuǎn)端讀取數(shù)據(jù)的機(jī)會就小。如果緩存很小，則很多數(shù)據(jù)都得從遠(yuǎn)端讀取。如何很好地調(diào)度分配這些資源也是一個(gè)需要考慮的問題。

在討論緩存的淘汰算法之前，先來看一下 AI 訓(xùn)練中數(shù)據(jù)訪問的過程。在 AI 訓(xùn)練中，會分為很多個(gè) epoch，不斷迭代地去訓(xùn)練。每一個(gè)訓(xùn)練 epoch，都會讀取每一條數(shù)據(jù)，并且僅讀一次。為了防止訓(xùn)練的過擬合，在每一次 epoch 結(jié)束之后，下一個(gè) epoch 的時(shí)候，讀取順序會變化，會進(jìn)行一個(gè) shuffle。也就是每次每個(gè) epoch 都會把所有數(shù)據(jù)都讀取一次，但是順序卻不一樣。Alluxio 中默認(rèn)的 LRU 淘汰算法，顯然不能很好地應(yīng)用到 AI 訓(xùn)練場景中。因?yàn)?LRU 是利用緩存的本地性。本地性分為兩方面，首先是時(shí)間本地性，也就是現(xiàn)在訪問的數(shù)據(jù)，馬上可能還會即將訪問。這一點(diǎn)，在 AI 訓(xùn)練中并不存在。因?yàn)楝F(xiàn)在訪問的數(shù)據(jù)，在下一輪的時(shí)候才會訪問，而且下一輪的時(shí)候都會訪問。沒有一個(gè)特殊的概率，一定是比其他數(shù)據(jù)更容易被訪問。另一方面是數(shù)據(jù)本地性，還有空間本地性。也就是，為什么 Alluxio 用比較大的 block 緩存數(shù)據(jù)，是因?yàn)槟硹l數(shù)據(jù)讀取了，可能周圍的數(shù)據(jù)也會被讀取。比如大數(shù)據(jù)場景中，OLAP 的應(yīng)用，經(jīng)常會進(jìn)行表的掃描，意味著周圍的數(shù)據(jù)馬上也會被訪問。但是在 AI 訓(xùn)練場景中是不能應(yīng)用的。因?yàn)槊看味紩?shuffle，每次讀取的順序都是不一樣的。因此 LRU 這種淘汰算法并不適用于 AI 訓(xùn)練場景。

不僅是 LRU，像 LFU 等主流的淘汰算法，都存在這樣一個(gè)問題。因?yàn)檎麄€(gè) AI 訓(xùn)練對數(shù)據(jù)的訪問是非常均等的。所以，可以采用最簡單的緩存算法，只要緩存一部分?jǐn)?shù)據(jù)就可以，永遠(yuǎn)不用動。在一個(gè)作業(yè)來了以后，永遠(yuǎn)都只緩存一部分?jǐn)?shù)據(jù)。永遠(yuǎn)都不要淘汰它。不需要任何的淘汰算法。這可能是目前最好的淘汰機(jī)制。如上圖中的例子。上面是 LRU 算法，下面是均等方法。在開始只能緩存兩條數(shù)據(jù)。我們把問題簡單一些，它的容量只有兩條，緩存 D 和 B 這兩條數(shù)據(jù)，中間就是訪問的序列。比如命中第一個(gè)訪問的是 B，如果是 LRU，B 存在的緩存中命中了。下一條訪問的是 C，C 并不在 D 和 B，LRU 的緩存中，所以基于 LRU 策略，會把 D 替換掉，C 保留下來。也就是這個(gè)時(shí)候緩存是 C 和 B。下一個(gè)訪問的是 A，A 也不在 C 和 B 中。所以會把 B 淘汰掉，換成 C 和 A。下一個(gè)就是 D，D 也不在緩存中，所以換成 D 和 A。以此類推，會發(fā)現(xiàn)所有后面的訪問，都不會再命中緩存。原因是在進(jìn)行 LRU 緩存的時(shí)候，把它替換出來，但其實(shí)在一個(gè) epoch 中已經(jīng)被訪問一次，這個(gè) epoch 中就永遠(yuǎn)不會再被訪問到了。LRU 反倒把它進(jìn)行緩存了，LRU 不但沒有幫助，反倒是變得更糟糕了。不如使用 uniform，比如下面這種方式。下面這種 uniform 的方式，永遠(yuǎn)在緩存中緩存 D 和 B，永遠(yuǎn)不做任何的替換。在這樣情況下，你會發(fā)現(xiàn)至少有 50% 的命中率。所以可以看到，緩存的算法不用搞得很復(fù)雜，只要使用 uniform 就可以了，不要使用 LRU、LFU 這類算法。

對于第二個(gè)問題，也就是關(guān)于緩存和遠(yuǎn)程帶寬之間關(guān)系的問題?，F(xiàn)在所有主流的 AI 框架中都內(nèi)置了數(shù)據(jù)預(yù)讀，防止 GPU 等待數(shù)據(jù)。所以當(dāng) GPU 做訓(xùn)練的時(shí)候，其實(shí)是觸發(fā)了 CPU 預(yù)取下一輪可能用到的數(shù)據(jù)。這樣可以充分利用 GPU 的算力。但當(dāng)遠(yuǎn)程存儲的 IO 成為瓶頸的時(shí)候，就意味著 GPU 要等待 CPU 了。所以 GPU 會有很多的空閑時(shí)間，造成了資源的浪費(fèi)。希望可以有一個(gè)比較好的調(diào)度管理方式，緩解 IO 的問題。

緩存和遠(yuǎn)程 IO 對整個(gè)作業(yè)的吞吐是有很大影響的。所以除了 GPU、CPU 和內(nèi)存，緩存和網(wǎng)絡(luò)也是需要調(diào)度的。在以往大數(shù)據(jù)的發(fā)展過程中，像 Hadoop、yarn、my source、K8s 等，主要都是調(diào)度 CPU、內(nèi)存、GPU。對于網(wǎng)絡(luò)，尤其對于緩存的控制都不是很好。所以，我們認(rèn)為，在 AI 場景中，需要很好的調(diào)度和分配它們，來達(dá)到整個(gè)集群的最優(yōu)。

二、SiloD 框架

在 EuroSys 2023 發(fā)表了這樣一篇文章，它是一個(gè)統(tǒng)一的框架，來調(diào)度計(jì)算資源和存儲資源。

整體架構(gòu)如上圖所示。左下角是集群中的 CPU 和 GPU 硬件計(jì)算資源，以及存儲資源，如 NFS、云存儲 HDFS 等。在上層有一些 AI 的訓(xùn)練框架 TensorFlow、PyTorch 等。我們認(rèn)為需要加入一個(gè)統(tǒng)一管理和分配計(jì)算和存儲資源的插件，也就是我們提出的 SiloD。

如上圖所示，一個(gè)作業(yè)可以達(dá)到什么樣的吞吐和性能，是由 GPU 和 IO 的最小值決定的。使用多少個(gè)遠(yuǎn)程 IO，就會使用多少遠(yuǎn)端的 networking?？梢酝ㄟ^這樣一個(gè)公式算出訪問速度。作業(yè)速度乘以緩存未命中率，也就是（1-c/d）。其中 c 就是緩存的大小，d 就是數(shù)據(jù)集。這也就意味著數(shù)據(jù)只考慮 IO 可能成為瓶頸的時(shí)候，大概的吞吐量是等于（b/(1-c/d)），b 就是遠(yuǎn)端的帶寬。結(jié)合以上三個(gè)公式，可以推出右邊的公式，也就是一個(gè)作業(yè)最終想達(dá)到什么樣的性能，可以這樣通過公式去計(jì)算沒有 IO 瓶頸時(shí)的性能，和有 IO 瓶頸時(shí)的性能，取二者中的最小值。

得到上面的公式之后，把它微分一下，就可以得到緩存的有效性，或者叫做緩存效率。即雖然作業(yè)很多，但在分配緩存的時(shí)候不能一視同仁。每一個(gè)作業(yè)，基于數(shù)據(jù)集的不同，速度的不同，緩存分配多少是很有講究的。這里舉一個(gè)例子，就以這個(gè)公式為例，如果發(fā)現(xiàn)一個(gè)作業(yè)，速度非?？欤?xùn)練起來非?？欤瑫r(shí)數(shù)據(jù)集很小，這時(shí)候就意味著分配更大的緩存，收益會更大。

基于以上觀察，可以使用 SiloD，進(jìn)行緩存和網(wǎng)絡(luò)的分配。而且緩存的大小，是針對每個(gè)作業(yè)的速度，以及數(shù)據(jù)集整個(gè)的大小來進(jìn)行分配的。網(wǎng)絡(luò)也是如此。所以整個(gè)架構(gòu)是這樣的：除了主流的像 K8s 等作業(yè)調(diào)度之外，還有數(shù)據(jù)管理。在圖左邊，比如緩存的管理，要統(tǒng)計(jì)或者監(jiān)控分配整個(gè)集群中緩存的大小，每個(gè)作業(yè)緩存的大小，以及每個(gè)作業(yè)使用到的遠(yuǎn)程 IO 的大小。底下的作業(yè)，和 Alluxio 方式很像，都可以都使用 API 進(jìn)行數(shù)據(jù)的訓(xùn)練。每個(gè) worker 上使用緩存對于本地的 job 進(jìn)行緩存支持。當(dāng)然它也可以在一個(gè)集群中跨節(jié)點(diǎn)，也可以進(jìn)行共享。

經(jīng)過初步測試和實(shí)驗(yàn)，發(fā)現(xiàn)這樣一個(gè)分配方式可以使整個(gè)集群的使用率和吞吐量都得到非常明顯的提升，最高可以達(dá)到 8 倍的性能上的提升?？梢院苊黠@的緩解作業(yè)等待、GPU 空閑的狀態(tài)。

對上述介紹進(jìn)行一下總結(jié)： 第一，在 AI 或者深度學(xué)習(xí)訓(xùn)練場景中，傳統(tǒng)的 LRU、LFU 等緩存策略并不適合，不如直接使用 uniform。 第二，緩存和遠(yuǎn)程帶寬，是一對伙伴，對整體性能起到了非常大的作用。 第三，像 K8s、yarn 等主流調(diào)度框架，可以很容易繼承到 SiloD。 最后，我們在 paper 中做了一些實(shí)驗(yàn)，不同的調(diào)度策略，都可以帶來很明顯的吞吐量的提升。

三、分布式緩存策略以及副本管理

我們還做了一些開源的工作。分布式緩存策略以及副本管理這項(xiàng)工作，已經(jīng)提交給社區(qū)，現(xiàn)在處于 PR 階段。Alluxio master 主要做 Meta 的管理和整個(gè) worker 集群的管理。真正緩存數(shù)據(jù)的是 worker。上面有很多以 block 為單位的塊兒去緩存數(shù)據(jù)。存在的一個(gè)問題是，現(xiàn)階段的緩存策略都是單個(gè) worker 的，worker 內(nèi)部的每個(gè)數(shù)據(jù)在進(jìn)行是否淘汰的計(jì)算時(shí)，只需要在一個(gè) worker 上進(jìn)行計(jì)算，是本地化的。

如上圖所示的例子，如果 worker 1 上有 block A， block B 和 block C，基于 LRU 算出來 block C 是最長時(shí)間沒有使用的，就會把 block C 淘汰。如果看一下全局的情況，就會發(fā)現(xiàn)這樣并不好。因?yàn)?block C 在整個(gè)集群中只有一個(gè)副本。把它淘汰之后，如果下面還有人要訪問 block C，只能從遠(yuǎn)端拉取數(shù)據(jù)，就會帶來性能和成本的損失。我們提出做一個(gè)全局的淘汰策略。在這種情況下，不應(yīng)該淘汰 block C，而應(yīng)該淘汰副本比較多的。在這個(gè)例子中，應(yīng)該淘汰 block A，因?yàn)樗谄渌墓?jié)點(diǎn)上仍然有兩個(gè)副本，無論是成本還是性能都要更好。

如上圖所示，我們做的工作是在每個(gè) worker 上維護(hù)副本信息。當(dāng)某一個(gè) worker，比如加了一個(gè)副本，或者減了一個(gè)副本，首先會向 master 匯報(bào)，而 master 會把這個(gè)信息作為心跳返回值，返回給其它相關(guān)的 worker。其它 worker 就可以知道整個(gè)全局副本的實(shí)時(shí)變化。同時(shí)，更新副本信息。所以當(dāng)進(jìn)行 worker 內(nèi)部的淘汰時(shí)，可以知道每一個(gè) worker 在整個(gè)全局有多少個(gè)副本，就可以設(shè)計(jì)一些權(quán)重。比如仍然使用 LRU，但是會加上副本個(gè)數(shù)的權(quán)重，綜合考量淘汰和替換哪些數(shù)據(jù)。經(jīng)過我們初步的測試，在很多領(lǐng)域，無論是 big data，AI training 中都可以帶來很大的提升。所以不僅僅是優(yōu)化一臺機(jī)器上一個(gè) worker 的緩存命中。我們的目標(biāo)是使得整個(gè)集群的緩存命中率都得到提升。

最后，對全文進(jìn)行一下總結(jié)。首先，在 AI 的訓(xùn)練場景中，uniform 緩存淘汰算法要比傳統(tǒng)的 LRU、LFU 更好。第二，緩存和遠(yuǎn)端的 networking 也是一個(gè)需要被分配和調(diào)度的資源。第三，在進(jìn)行緩存優(yōu)化時(shí)，不要只局限在一個(gè)作業(yè)或者一個(gè) worker 上，應(yīng)該統(tǒng)攬整個(gè)端到端全局的參數(shù)，才能使得整個(gè)集群的效率和性能有更好的提升。

審核編輯：劉清