【技术分享】Spark机器学习的加速器：Spark on Angel

原创

腾讯云TI平台

修改于 2019-10-30 16:06:48

1K0

修改于 2019-10-30 16:06:48

文章被收录于专栏：腾讯云TI平台腾讯云TI平台

本文原作者：游遵文，经授权后发布。

Spark的核心概念是RDD，而RDD的关键特性之一是其不可变性，来规避分布式环境下复杂的各种并行问题。这个抽象，在数据分析的领域是没有问题的，它能最大化的解决分布式问题，简化各种算子的复杂度，并提供高性能的分布式数据处理运算能力。

然而在机器学习领域，RDD的弱点很快也暴露了。机器学习的核心是迭代和参数更新。RDD凭借着逻辑上不落地的内存计算特性，可以很好的解决迭代的问题，然而RDD的不可变性，却非常不适合参数反复多次更新的需求。这本质上的不匹配性，导致了Spark的MLlib库，发展一直非常缓慢，从2015年开始就没有实质性的创新，性能也不好。

为此，Angel在设计生态圈的时候，优先考虑了Spark。在V1.0.0推出的时候，就已经具备了Spark on Angel的功能，基于Angel为Spark加上了PS功能，在不变中加入了变化的因素，可谓如虎添翼。

我们将以L-BFGS为例，来分析Spark在机器学习算法的实现上的问题，以及Spark on Angel是如何解决Spark在机器学习任务中的遇到的瓶颈，让Spark的机器学习更加强大。

1. L-BFGS算法说明

L-BFGS模型参数更新过程如下：

其中，

是模型参数，

是搜索方向，

是通过线性搜索得到的步长。

计算

伪代码如下所示，这是人们常说的two-loop recursion算法，是Limited-BFGS算法的核心部分。返回值 r 就是我们说要的

其中，

是单位阵，

，

，L-BFGS算法将最近 m 轮生成的

和

序列，记做

和

。基于计算

和

计算

。

2.L-BFGS的Spark实现

2.1 实现框架

Spark中的driver负责协调整个Spark任务执行的同时，需要保存最近 m 轮的

和

序列，并在driver上执行two-loop recursion算法。而executor负责分布式地计算梯度向量。

迭代过程：

每轮迭代，将每个executor计算的梯度Aggregate到driver

和

保存在driver上，在driver端执行two-loop recursion算法

driver上更新模型

，并将

广播到每个Executor

2.2 性能分析

基于Spark的L-BFGS实现的算法优点比较明显：

HDFS I/O Spark可以快速读写HDFS上的训练数据；
细粒度的负载均衡并行计算梯度时，Spark具有强大的并行调度机制，保证task快速执行；
容错机制当计算节点挂掉、任务失败，Spark会根据RDD的DAG关系链实现数据的重计算。但是对于迭代式算法，每轮迭代要用RDD的action操作，打断RDD的DAG，避免因为重计算引起逻辑的错乱；
基于内存的计算基于内存的计算过程，可以加速机器学习算法中计算梯度过程的耗时。

该实现的缺点：

treeAggregate引起的网络瓶颈 Spark用treeAggregate聚合梯度时，如果模型维度达到亿级，每个梯度向量都可能达到几百兆；此时treeAggregate的shuffle的效率非常低；
driver单点 (1) 保存

和

序列需要较大的内存空间；(2) two-loop recursion算法是由driver单点执行，该过程是多个高维度的向量的运算；(3) 每轮迭代，driver都需要和executor完成高维度向量的aggregate和broadcast。

3.L-BFGS的Spark on Angel实现

3.1 实现框架

Spark on Angel借助Angel PS-Service的功能为Spark引入PS的角色，减轻整个算法流程对driver的依赖。two-loop recursion算法的运算交给PS，而driver只负责任务的调度，大大减轻的对driver性能的依赖。

Angel PS由一组分布式节点组成，每个vector、matrix被切分成多个partition保存到不同的节点上，同时支持vector和matrix之间的运算；

和

序列分布式地保存到Angel PS上，two-loop recursion算法中高维度的向量计算也是在PS上完成。 Spark executor每轮迭代过程会从PS上Pull

到本地，并将计算的梯度向量Push到PS。

迭代过程：

每轮迭代，executor 将PS上的模型

pull 到本地，计算梯度，然后梯度向量push给PS

和

保存在PS上，在PS端执行two-loop recursion算法

PS上更新模型

3.2 性能分析

整个算法过程，driver只负责任务调度，而复杂的two-loop recursion运算在PS上运行，梯度的Aggregate和模型的同步是executor和PS之间进行，所有运算都变成分布式。在网络传输中，高维度的PSVector会被切成小的数据块再发送到目标节点，这种节点之间多对多的传输大大提高了梯度聚合和模型同步的速度。这样Spark on Angel完全避开了Spark中driver单点的瓶颈，以及网络传输高维度向量的问题。

4.“轻易强快”的Spark on Angel

Spark on Angel是Angel为解决Spark在机器学习模型训练中的缺陷而设计的“插件”，没有对Spark做"侵入式"的修改，是一个独立的框架。可以用 “轻”、“易”、“强”、“快” 来概括Spark on Angel的特点。

4.1 轻 --- "插件式"的框架

Spark on Angel是Angel为解决Spark在机器学习模型训练中的缺陷而设计的“插件”。Spark on Angel没有对Spark中的RDD做侵入式的修改，Spark on Angel是依赖于Spark和Angel的框架，同时其逻辑又独立于Spark和Angel。因此，Spark用户使用Spark on Angel非常简单，只需在Spark的提交脚本里做三处改动即可，详情可见Angel的Github Spark on Angel Quick Start文档

可以看到提交的Spark on Angel任务，其本质上依然是一个Spark任务，整个任务的执行过程与Spark一样的。

Spark on Angel能够成为如此轻量级的框架，得益于Angel对PS-Service的封装，使Spark的driver和executor可以通过PsAgent、PSClient与Angel PS做数据交互。

4.2 强 --- 功能强大，支持breeze库

breeze库是scala实现的面向机器学习的数值运算库。Spark MLlib的大部分数值优化算法都是通过调用breeze来完成的。如下所示，Spark和Spark on Angel两种实现都是通过调用breeze.optimize.LBFGS实现的。Spark的实现是传入的类型是breeze库的DenseVector，而Spark on Angel的实现是传入BreezePSVector。

BreezePSVector是指Angel PS上的Vector，该Vector实现了breeze NumericOps下的方法，如常用的 dot，scale，axpy，add等运算，因此在LBFGS[BreezePSVector] two-loop recursion算法中的高维度向量运算是BreezePSVector之间的运算，而BreezePSVector之间全部在Angel PS上分布式完成。

Spark的L-BFGS实现

Spark on Angel的L-BFGS实现

接口调用里的Vector泛型从 DenseVector 变成 BreezePSVector

4.3 易 --- 编程接口简单

Spark能够在大数据领域这么流行的另外一个原因是：其编程方式简单、容易理解，Spark on Angel同样继承了这个特性。 Spark on Angel本质是一个Spark任务，整个代码实现逻辑跟Spark是一致的；当需要与PSVector做运算时，调用相应的接口即可。

如下代码所示，LBFGS在Spark和Spark on Angel上的实现，二者代码的整体思路是一样的，主要的区别是梯度向量的Aggregate和模型 w 的pull/push。因此，如果将Spark的算法改造成Spark on Angel的任务，只需要修改少量的代码即可。

L-BFGS需要用户实现DiffFunction，DiffFunction的calculate接口输入参数是 w，遍历训练数据并返回 loss 和 gradient。

其完整代码，请前往Github SparseLogistic

Spark的DiffFunction实现

Spark on Angel的DiffFunction实现

calculate接口输入参数是 w ，遍历训练数据并返回 loss 和 cumGradient。其中 w 和 cumGradient都是BreezePSVector；计算梯度时，需要将 w Pull 到本地，本地的gradient值，需要通过PSVector的incrementAndFlush方式Push到远程PS上的cumGradient向量。