用KubeFATE在K8s上部署联邦学习FATE v1.5

Henry Zhang

发布于 2021-01-21 10:59:39

1.1K0

发布于 2021-01-21 10:59:39

文章被收录于专栏：亨利笔记亨利笔记

题图摄于北京长安街

（本文作者系 VMware 中国研发云原生实验室架构师，联邦学习 KubeFATE / FATE-Operator 开源项目维护者。）

需要加入KubeFATE开源项目讨论群的同学，请关注本公众号后回复 “kubefate” 即可。

目标

本文我们会介绍如何在一台 Linux 的机器上通过安装 MiniKube，然后使用 KubeFATE 部署一个两方的联邦学习集群，并在上面跑一个测试的联邦学习训练任务。

我们的总体架构如下:

本文共出现两台机器：

用来做 Demo 的机器，是一台 Linux 机器，参照前置条件第一点；
使用浏览器访问 Jupyter Notebook, FATE-Board 的机器，要求可以访问用来执行 Demo 的机器。可以是任何客户端。

前置条件

一台 Linux 的服务器，我们测试好的 OS 版本是 Ubuntu 18.04 LTS，由于需要跑多方计算，服务器的推荐配置为：8核，16GB内存以上；
三个域名分别给 KubeFATE 服务，Jupyter Notebook 和 FATE-board 使用。如果没有 DNS 解析条件，可以通过设置 hosts 方式，后面的介绍基于这种情况；
Linux 服务器需要预先安装好 Docker 环境，具体参考 Install Docker in Ubuntu；
要保证安装机器可以正常访问 Docker Hub 或者网易云镜像仓库，以及Google 存储；
预先创建一个目录，以便整个过程使用该目录作为工作目录，命令如下：

export version=v1.5.0 && export kubefate_version=v1.2.0 && cd ~ && mkdir demo && cd demo

注意：下文介绍的 MiniKube 机器IP地址是 192.168.100.123。请修改为你准备的实验机器IP地址！！！

开始安装

安装需要的工具

为了使用KubeFATE部署FATE，我们需要以下工具：

MiniKube: v1.7.3
kubectl: v1.17.3
kubefate:
- 发布版本: v1.5.0
- 服务版本: v1.2.0
- 命令行版本: v1.2.0

安装 kubectl

curl -LO https://storage.googleapis.com/kubernetes-release/release/v1.17.3/bin/linux/amd64/kubectl && chmod +x ./kubectl && sudo mv ./kubectl /usr/bin

执行完后可以验证是否成功,

layne@machine:~/demo$ kubectl version
Client Version: version.Info{Major:"1", Minor:"17", GitVersion:"v1.17.3", GitCommit:"06ad960bfd03b39c8310aaf92d1e7c12ce618213", GitTreeState:"clean", BuildDate:"2020-02-11T18:14:22Z", GoVersion:"go1.13.6", Compiler:"gc", Platform:"linux/amd64"}
The connection to the server localhost:8080 was refused - did you specify the right host or port?

安装MiniKube

curl -LO https://github.com/kubernetes/minikube/releases/download/v1.7.3/minikube-linux-amd64 && mv minikube-linux-amd64 minikube && chmod +x minikube && sudo mv ./minikube /usr/bin

验证安装结果:

layne@machine:~/demo$ minikube version
minikube version: v1.7.3
commit: 436667c819c324e35d7e839f8116b968a2d0a3ff

使用 MiniKube 安装 Kubernetes

MiniKube 支持使用不同的虚拟机来部署 Kubernetes，但是在 Linux 环境下，我们建议直接使用Docker方式。这个方式非常简单，只需要设置 --vm-driver=none 即可。

sudo minikube start --vm-driver=none

根据屏幕指引，稍等一小会。待到命令没有错误返回，我们可以验证下，

layne@machine:~/demo$ sudo minikube status
host: Running
kubelet: Running
apiserver: Running
kubeconfig: Configured

如果你的显示和上面一样，那恭喜你，一个单节点的Kubernetes已经部署好在你的服务器里了！但是，还有一个小步骤要做，因为我们KubeFATE通过Ingress向外提供服务，而MiniKube默认并没有启动Ingress模块，所以需要手动启动，

sudo minikube addons enable ingress

到此，我们的 Kubernetes 也准备好了。

下载 KubeFATE 的发布包, KubeFATE服务镜像v1.2.0，并安装命令行

我们从 Github上 KubeFATE Release 页面找到 Kuberetes 部署的下载包，并下载对应版本，如前面环境变量设置v1.5.0，

curl -LO https://github.com/FederatedAI/KubeFATE/releases/download/${version}/kubefate-k8s-${version}.tar.gz && tar -xzf ./kubefate-k8s-${version}.tar.gz

然后我们可以查看下下载解压的安装包内容，

layne@machine:~/demo$ ls
cluster-serving.yaml  cluster.yaml  config.yaml  examples  kubefate  kubefate-k8s-v1.5.0.tar.gz  kubefate.yaml  rbac-config.yaml

由于 KubeFATE 命令行是可执行二进制文件，可以直接移动到path目录方便使用，

chmod +x ./kubefate && sudo mv ./kubefate /usr/bin

然后我们测试下 kubefate 命令是否可用，

layne@machine:~/demo$ kubefate version
* kubefate service connection error, Post http://kubefate.net/v1/user/login: dial tcp: lookup kubefate.net: no such host
* kubefate commandLine version=v1.2.0

我们发现获取 KubeFATE 服务版本报了个错，这是因为我们还没部署 KubeFATE 的服务；而命令行的版本已经正常显示出来了。

接着，我们下载 KubeFATE 服务镜像v1.2.0,

curl -LO https://github.com/FederatedAI/KubeFATE/releases/download/${version}/kubefate-${kubefate_version}.docker

然后读入本地 Docker 环境。请注意，因为本文使用的 MiniKube ，是 all-in-one 的 Kubernetes 环境，所以只需要导入本地 Docker 环境即可给 kubelet 拉取。如果你运行的是集群形式的 Kubernetes，容器镜像需要读入 Docker Registry 或者 Harbor。关于如何集成使用 Harbor，可以参考：https://github.com/FederatedAI/KubeFATE/blob/master/registry/README.md

layne@machine:~/demo$ docker load < ./kubefate-v1.2.0.docker
7a5b9c0b4b14: Loading layer [==================================================>]  3.031MB/3.031MB
8edfcca02080: Loading layer [==================================================>]  44.02MB/44.02MB
b7ffb386319e: Loading layer [==================================================>]  2.048kB/2.048kB
Loaded image: federatedai/kubefate:v1.2.0

部署KubeFATE服务

创建 kube-fate 的命名空间以及账号

在我们的安装包里已经包含了相关的 yaml 文件rbac-config.yaml，并且前面的准备工作已解压这个文件到你的工作目录。我们只需要直接执行，

kubectl apply -f ./rbac-config.yaml

（可选）使用网易云镜像仓库

因为近期 Docker Hub 调整了下载限制服务条例 Docker Hub latest limitation, 我建议使用国内网易云的镜像仓库代替官方Docker Hub

sed 's/mariadb:10/hub.c.163.com\/federatedai\/mariadb:10/g' kubefate.yaml > kubefate_163.yaml
sed 's/registry: ""/registry: "hub.c.163.com\/federatedai"/g' cluster.yaml > cluster_163.yaml

在 kube-fate 命名空间里部署 KubeFATE 服务

相关的 yaml 文件也已经准备在工作目录，直接使用kubectl apply，

kubectl apply -f ./kubefate_163.yaml

稍等一会，大概10几秒后用下面命令看下KubeFATE服务是否部署好kubectl get all,ingress -n kube-fate。如果返回类似下面的信息（特别是 pod 的 STATUS显示的是 Running 状态），则 KubeFATE 的服务就已经部署好并正常运行：

添加 kubefate.net 到 hosts 文件

因为我们要用 kubefate.net 域名来访问 KubeFATE 服务（该域名在 ingress 中定义，有需要可自行修改），需要在运行 kubefate 命令行所在的机器配置 hosts 文件（注意不一定是 Kubernetes 所在的机器）。如果网络环境有域名解析服务，可配置 kubefate.net 域名指向 MiniKube 机器的 IP 地址，这样就不用配置 hosts 文件。注意：下面地址 192.168.100.123 要替换为你的 MiniKube 机器地址。

sudo -- sh -c "echo \"192.168.100.123 kubefate.net\"  >> /etc/hosts"

添加完毕后，可以验证是否生效：

layne@machine:~/demo$ ping -c 2 kubefate.net
PING kubefate.net (192.168.100.123) 56(84) bytes of data.
64 bytes from kubefate.net (192.168.100.123): icmp_seq=1 ttl=64 time=0.080 ms
64 bytes from kubefate.net (192.168.100.123): icmp_seq=2 ttl=64 time=0.054 ms

--- kubefate.net ping statistics ---
2 packets transmitted, 2 received, 0% packet loss, time 1006ms
rtt min/avg/max/mdev = 0.054/0.067/0.080/0.013 ms

验证 KubeFATE 服务

当 kubefate.net 顺利设置, KubeFATE 服务的版本号应该就可以正常显示,

layne@machine:~/demo$ kubefate version
* kubefate service version=v1.2.0
* kubefate commandLine version=v1.2.0

到此，所有准备工作完毕，下面我们可以开始安装 FATE 了。需要注意的是，上面的工作只需要做一次，后面如果添加、删除、更新 FATE 集群，上面的不需要重新执行。

使用KubeFATE安装FATE

按照前面的计划，我们需要安装两联盟方，ID 分别 9999 与 10000。现实情况，这两方应该是完全独立、隔绝的组织，为了模拟现实情况，所以我们需要先为他们在Kubernetes上创建各自独立的命名空间(namespace)。

创建命名空间

我们创建命名空间fate-9999用来部署9999，fate-10000部署10000

kubectl create namespace fate-9999
kubectl create namespace fate-10000

准备各自的集群配置文件

KubeFATE 安装包包含了集群配置的简要配置参考文件 cluster.yaml ，我们可以给每个参与方复制一份来修改配置。如果前面的步骤正确，这个文件已经在工作目录里。运行下面命令复制文件：

cp ./cluster_163.yaml fate-9999.yaml && cp ./cluster_163.yaml fate-10000.yaml

注意：我们强烈建议阅读以下文档 cluster.yaml中具体配置的含义，请参考:

https://github.com/FederatedAI/KubeFATE/blob/master/docs/configurations/FATE_cluster_configuration.md

我们把 fate-9999.yaml 按以下内容修改。再次强调这里的192.168.100.123需要替换成你的 MiniKube 机器地址。

fate-10000按以下内容修改:

如果一切没有问题，那就可以使用kubefate cluster install来部署两个fate集群了，

这时候，KubeFATE 会创建两个任务去分别部署两个FATE集群。我们可以通过kubefate job ls来查看任务，或者直接watch KubeFATE 中集群的状态，直至变成Running

layne@machine:~/demo$ watch kubefate cluster ls
UUID                                    NAME            NAMESPACE       REVISION        STATUS  CHART   ChartVERSION    AGE
51476469-b473-4d41-b2d5-ea7241d5eac7    fate-9999       fate-9999       1               Running fate    v1.5.0          88s
dacc0549-b9fc-463f-837a-4e7316db2537    fate-10000      fate-10000      1               Running fate    v1.5.0          69s

因为这个步骤需要到网易云镜像仓库去下载约 10GB 的镜像，所以第一次执行视乎你的网络情况需要一定时间。另外一个方案是我们可以通过下载离线的容器镜像，导入本地环境，具体做法本文就不做赘述了。

验证FATE的部署

访问集群

通过以上的 kubefate cluster ls 命令, 我们得到 fate-9999 的集群ID是 51476469-b473-4d41-b2d5-ea7241d5eac7, 而 fate-10000 的集群ID是 dacc0549-b9fc-463f-837a-4e7316db2537. 我们可以通过kubefate cluster describe查询集群的具体访问信息，

layne@machine:~/demo$ kubefate cluster describe 51476469-b473-4d41-b2d5-ea7241d5eac7
UUID            51476469-b473-4d41-b2d5-ea7241d5eac7
Name            fate-9999
NameSpace       fate-9999
ChartName       fate
ChartVersion    v1.5.0
Revision        1
Age             2m22s
Status          Running
Spec            backend: eggroll
                chartName: fate
                chartVersion: v1.5.0
                istio:
                  enabled: false
                modules:
                - rollsite
                - clustermanager
                - nodemanager
                - mysql
                - python
                - fateboard
                - client
                name: fate-9999
                namespace: fate-9999
                partyId: 9999
                persistence: false
                pullPolicy: null
                python:
                  grpcNodePort: 30092
                  httpNodePort: 30097
                  type: NodePort
                registry: hub.c.163.com/federatedai
                rollsite:
                  nodePort: 30091
                  partyList:
                  - partyId: 10000
                    partyIp: 192.168.100.123
                    partyPort: 30101
                  type: NodePort

Info            dashboard:
                - 9999.notebook.kubefate.net
                - 9999.fateboard.kubefate.net
                ip: 192.168.100.123
                pod:
                - clustermanager-5fcbd4ccc6-fj6tq
                - mysql-7cf4d4dcb8-wvl4j
                - nodemanager-0-6cbbc86769-fk77x
                - nodemanager-1-5c6dd78f99-bgt2w
                - python-57668d4497-qwnbb
                - rollsite-f7476746-5cxh8
                status:
                  modules:
                    client: Running
                    clustermanager: Running
                    fateboard: Running
                    mysql: Running
                    nodemanager-0: Running
                    nodemanager-1: Running
                    python: Running
                    rollsite: Running

从返回的内容中，我们看到Info->dashboard里包含了:

Jupyter Notebook 的访问地址： 9999.notebook.kubefate.net。这个是我们准备让数据科学家进行建模分析的平台。已经集成了FATE-Clients；
FATEBoard 的访问地址： 9999.fateboard.kubefate.net。我们可以通过FATEBoard 来查询当前训练的状态。

类似的命令我们得到，fate-10000的 Jupyter Notebook 和 FATEBoard 地址分别是：10000.notebook.kubefate.net 以及10000.fateboard.kubefate.net。

在浏览器访问 FATE 集群的机器上配置相关的Host信息

注意: 如果 DNS 已经配置了相关的解析，这步可以跳过

在 Linux 或者 MacOS 机器可以通过以下命令配置，

如果是Windows机器，我们需要把相关域名解析配置到C:\WINDOWS\system32\drivers\etc\hosts，请查阅相关文档。

执行 Toy_Example 进行验证

如果一切顺利，我们可以通过浏览器访问fate-9999和fate-10000各自的Jupyter Notebook 与 FATEBoard，共 4 个 Dashboards,

我们点击FATEBoard of fate-9999和FATEBoard of fate-10000中RUNNING 菜单，以观察任务的状态。然后在Notebook of FATE-9999中选择进入Toy_Example目录，我们可以看到toy_example_submit_job.ipynb. ipynb是Jupyter Notebook的文件格式，具体可参考：https://jupyter-notebook.readthedocs.io/en/stable/

打开该文件，在第二个代码块中，修改以下内容

因为我们希望fate-9999与fate-10000双方进行共同训练。

在第五个代码块中，修改以下内容

然后我们点击第一个块，也就是Submit Training Job Demo，确保程序从最开始执行。点击工具栏中的Run按钮，逐步执行程序。

注意：每点击一次Run按钮，执行一步操作。执行过程中，代码块前的变成\*。需等到变成数字才表明该步骤执行完毕。更多请参考Jupyter Notebook相关说明。（本文为公众号：亨利笔记原创文章）

在我们执行到第五个代码块时，我们可以看到fate-9999与fate-10000的FATEBoard会各产生一个正在执行的任务。

等待一会，到第五个代码块的执行结果显示为Success。可以到FATEBoard中的任务已经执行成功，如下图。

下一步

Toy_Example 是非常简单的 FATE 联邦学习例子。我们可以在 Notebook 的目录上找到更多其他的联邦学习算法。但需要注意，这些例子都是按单边写的，所以，需要修改他们在已经部署的fate-9999与fate-10000共同训练。大多数情况下，需要保证host方已经把数据导入；
FML_Manager将会在下个版本与FATE-Clients合并，请参考FATE-Clients的文档：https://fate.readthedocs.io/en/latest/_build_temp/python/fate_client/flow_sdk/README.html. FATE-Clients 已经默认安装在 Jupyter Notebook 中，可以直接使用；
现在你已经部署了一个基本版本的FATE集群，我们在Github上准备了不同FATE的集群部署例子（https://github.com/FederatedAI/KubeFATE/tree/master/k8s-deploy/examples ），包括：

FATE-Serving 的部署；
Spark 作为计算引擎的部署。

我们也会推出系列文章介绍以上内容。

需要加入KubeFATE开源项目讨论群的同学，请先关注本公众号，然后回复 “kubefate” 即可。

参考文档：

https://github.com/FederatedAI/KubeFATE/blob/v1.5.0/docker-deploy/README.md

https://github.com/FederatedAI/FATE/blob/v1.5.0/examples/toy_example/README.md

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2021-01-17，如有侵权请联系 cloudcommunity@tencent.com 删除

容器镜像服务

jupyter notebook

kubernetes

开源

本文分享自亨利笔记微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度