From dbb2047e3b4f2c9c85c8b3f112a736e88b137e53 Mon Sep 17 00:00:00 2001 From: "yi.wu" Date: Wed, 22 Mar 2017 20:29:59 +0800 Subject: [PATCH] cluster design --- doc/design/cluster_design.md | 88 ++++++++++++++++++++++++++++++++++++ 1 file changed, 88 insertions(+) create mode 100644 doc/design/cluster_design.md diff --git a/doc/design/cluster_design.md b/doc/design/cluster_design.md new file mode 100644 index 000000000..fe92ecfb9 --- /dev/null +++ b/doc/design/cluster_design.md @@ -0,0 +1,88 @@ +# Paddle大规模分布式训练设计 + +## 概览 + +## 常见的分布式训练架构 + +深度学习分布式训练的架构如图： + + + +为了完成一个深度学习的训练任务，集群中会运行多个trainer和parameter server，集群会把模型的参 +数分布式的存储在多个parameter server上，trainer完成每个mini-batch数据训练之后会把梯度发送 +给parameter server，parameter server将某个分片的模型参数和梯度执行整合和优化。然后trainer +从所有的parameter server下载模型参数并开始下一轮mini-batch的训练。 + +可以看到，可以进一步的优化以下方面： +1. 模型的参数是保存在parameter server进程的内存中的。在一个训练任务过程中任意一台 + parameter server不能异常退出，否则训练不能继续执行 +1. 不能在一个训练任务中动态的增加Trainer个数或parameter个数 +1. parameter server保存模型参数考虑多个备份防止单点故障 +1. 为了使训练任务至少可以抵御“单点故障”（任意时刻只可能同时有一台服务器故障），模型参数的更新和分发 + 需要保证原子性操作或满足事务性操作 +1. 可以同时调度大量的训练任务和使用模型的应用在一个集群上 +1. 支持训练任务的前置任务和后置任务，支持训练任务的定时调度和对在线流式数据的处理 + +## 模型参数数据备份 +为了实现parameter server集群可以容忍单点故障，必须将每个模型参数的分片在集群中存储多个副本。虽然 +也可以考虑使用校验和的技术减少副本大小，但为了整体系统的简单可靠，优先选择使用副本的方式。 + + + +上图显示了在2台parameter server中实现每个模型参数的分片均保存两个副本的状态。parameter 负责存储 +所有参数分片副本并在etcd中同步每个副本的状态。每个分片的多个副本中同时只有一个处于"master"状态， +处于"master"状态的副本是当前活动的副本。当一台parameter server故障时，集群中剩下的parameter server +会重新选举出新的"master"副本并继续提供服务。 + +用户在启动parameter server是可以指定副本的个数(>=1)，副本越多容灾能力越强，越少性能越好。但通常不会 +使用>3个的副本配置。 + +etcd中数据存储格式为： +1. pserver集群状态`[CLUSTER_CHROOT]/pserver_cluster_status` + ```json + { + "cluster_status": "OK|UNHEALTHY|UNKNOWN" + "reason": "", + "nodes": [0,1,2,3] + } + ``` + +1. 每个pserver的状态: [CLUSTER_CHROOT]/pservers/[pserverid] + ```json + { + "id": 0, + "instance": "pserver1", + "status": "up", + "start_time": 1490184573.25, + "sync": true, + } + ``` +1. mini-batch计数器，记录此id对应的parameter server正在执行的mini batch id + [CLUSTER_CHROOT]/pservers/[pserverid]/mini-batch-id +1. parameter分片信息: [CLUSTER_CHROOT]/pshards/[shardid]/[replicaid] + 比如上图显示的分片将生成下面的4个etcd路径： + ```bash + /pshards/0/0 + /pshards/0/1 + /pshards/1/0 + /pshards/1/1 + ``` + 每个replica的信息如下： + ```json + { + "id": 0, + "shardid": 0, + "created": 1490184573.25, + "modified": 1490184573.25, + "status": "master", # indicates the replica is in use + } + ``` + +## 数据一致性 +存在多个副本数据的情况下就需要考虑，多个副本之间的数据一致性。如果使用数据强一致性，则在故障恢复时 +可以获得一个完整的数据集，但每次更新模型参数的性能会下降，因为需要保证多个副本都完全更新之后才算更新 +成功。如果使用异步同步（最终一致性），则在重新选举"master"副本时，可能得到的副本并没有完成数据同步。 + +## 故障恢复 + +## 动态扩容/缩容 -- GitLab