張維 潘濤 范震坤

摘要 隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，各種數(shù)據(jù)的數(shù)據(jù)量也在不斷增長，大數(shù)據(jù)成為各行業(yè)的重要發(fā)展方向之一，如何有效地利用大數(shù)據(jù)技術(shù)，對社會中的各行各業(yè)都具有產(chǎn)生巨大推動(dòng)力的作用。分布式機(jī)器學(xué)習(xí)是隨著“大數(shù)據(jù)”概念興起的。目前，由于分布式的機(jī)器學(xué)習(xí)算法具有復(fù)雜性、多樣性以及高維性這樣的特點(diǎn)，導(dǎo)致我們從數(shù)據(jù)中挖掘內(nèi)在規(guī)律比較困難，小型的機(jī)器學(xué)習(xí)算法框架在處理這樣的問題上就顯得捉襟見肘了。因此，研究適用于大數(shù)據(jù)背景下的機(jī)器學(xué)習(xí)算法框架成為當(dāng)下的熱點(diǎn)。本文介紹一種面向高維度的機(jī)器學(xué)習(xí)計(jì)算框架稱為Angel。

【關(guān)鍵詞】大數(shù)據(jù) 分布式計(jì)算 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)也就是通過設(shè)計(jì)一些能夠讓計(jì)算機(jī)自主地去“學(xué)習(xí)”的一類算法，它們能夠通過分析已有的數(shù)據(jù)，去獲得隱藏在這些信息內(nèi)部的規(guī)律，并利用這些規(guī)律去對未知的數(shù)據(jù)進(jìn)行預(yù)測以及分析。隨著互聯(lián)網(wǎng)的高速發(fā)展，海量數(shù)據(jù)的產(chǎn)生以及工業(yè)界對于計(jì)算速度和計(jì)算成本要求的提升，傳統(tǒng)的計(jì)算機(jī)已經(jīng)很難滿足工業(yè)界的需求，因此分布式計(jì)算技術(shù)就應(yīng)運(yùn)而生了。分布式計(jì)算也即為“并行計(jì)算”，其核心思想就是把一個(gè)需要巨大計(jì)算能力才能解決的計(jì)算任務(wù)拆解成多許多小的子任務(wù)，將這些子任務(wù)分配到多個(gè)處理器節(jié)點(diǎn)上做計(jì)算，最后匯總這些計(jì)算結(jié)果得到最終的結(jié)果。分布式計(jì)算或者分布式機(jī)器學(xué)習(xí)除了要把計(jì)算任務(wù)分配到多個(gè)處理器上，更重要的是把計(jì)算所需要的各種數(shù)據(jù)（包括訓(xùn)練數(shù)據(jù)以及中間結(jié)果）分布開來。隨著谷歌的Map Reduce編程模型和開源的Hadoop分布式計(jì)算框架的發(fā)布，分布式計(jì)算技術(shù)逐漸開始普及，并且還呈現(xiàn)出不斷發(fā)展和完善的趨勢。隨著工業(yè)界對于大數(shù)據(jù)進(jìn)行分析和挖掘的需求不斷提升，分布式計(jì)算和機(jī)器學(xué)習(xí)的結(jié)合也就自然而然地成為了學(xué)術(shù)界和工業(yè)界研究的一個(gè)重點(diǎn)。目前，基于分布式計(jì)算平臺的機(jī)器學(xué)習(xí)框架主要有基于Hadoop平臺的Mahout、基于Spark平臺的MLlib以及由騰訊主導(dǎo)開發(fā)的機(jī)器學(xué)習(xí)框架Angel等。本文重點(diǎn)介紹一種稱為Angel的面向高維度的機(jī)器學(xué)習(xí)計(jì)算框架。

1 Angel框架

為能夠支持超大維度的機(jī)器學(xué)習(xí)模型運(yùn)算，騰訊公司與香港科技大學(xué)展開了合作，開發(fā)出了面向機(jī)器學(xué)習(xí)的分布式計(jì)算框架一一Angel l.0。Angel是使用Java語言開發(fā)的面向機(jī)器學(xué)習(xí)算法的計(jì)算系統(tǒng)框架，用戶可以不改變使用習(xí)慣，就像使用Spark以及MapReduce一樣，來去完成機(jī)器學(xué)習(xí)算法的模型訓(xùn)練。Angel目前已經(jīng)能夠非常好地支持梯度下降算法、交替乘子法等優(yōu)化算法，同時(shí)Angel也提供了一些常用的模型;如果用戶還有其他的自定義需求，也可以在框架中提供的現(xiàn)有的最優(yōu)化算法上快速方便地去封裝自己的模型。Angel在高維度機(jī)器學(xué)習(xí)的各種參數(shù)更新過程中，對于不同的計(jì)算任務(wù)，根據(jù)其計(jì)算速度有針對性地給那些較慢的計(jì)算任務(wù)的參數(shù)傳遞提供更多的計(jì)算資源，從而能夠在整體上大大縮短機(jī)器學(xué)習(xí)算法的運(yùn)算時(shí)間。這一創(chuàng)新的優(yōu)化調(diào)度算法則是源于香港科技大學(xué)陳凱教授及其研究小組開發(fā)的可感知上層應(yīng)用的網(wǎng)絡(luò)優(yōu)化方案，以及楊強(qiáng)教授領(lǐng)導(dǎo)的針對大規(guī)模機(jī)器學(xué)習(xí)算法的研究方案。此外，北京大學(xué)的崔斌教授及其學(xué)生也參與了Angel項(xiàng)目的共同研發(fā)，并提供了巨大的幫助。在測試實(shí)驗(yàn)以及實(shí)際的生產(chǎn)工作任務(wù)中，Angel能夠在千萬級到億級的特征緯度條件下運(yùn)行梯度下降算法，并且它的性能能夠達(dá)到Spark的數(shù)倍到數(shù)十倍。

如圖l所示，Angel的整體架構(gòu)主要參考了由谷歌公司研發(fā)的DistBelief框架。為深度學(xué)習(xí)而設(shè)計(jì)研發(fā)的DistBeilef框架使用了參數(shù)服務(wù)器，從而解決那些深度學(xué)習(xí)中巨大模型在訓(xùn)練時(shí)海量參數(shù)的更新問題。由于基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)算法同樣擁有海量的參數(shù)，所以這樣參數(shù)服務(wù)器也就不僅僅局限于深度學(xué)習(xí)算法，同樣可用于基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)算法中的模型了。比如在梯度下降算法、交替乘子法以及擬牛頓法等優(yōu)化算法的計(jì)算過程中面臨著每一輪迭代需要對上億個(gè)參數(shù)進(jìn)行更新，這就需要使用參數(shù)服務(wù)器來將參數(shù)分布式緩存以提高算法的性能。Angel框架在運(yùn)算過程中支持批量同步并行、全異步并行、延遲同步并行這三種計(jì)算并行計(jì)算，其中卡耐基梅隆大學(xué)的邢波教授在Petuum項(xiàng)目中曾經(jīng)驗(yàn)證了延遲同步并行計(jì)算模型，它能夠在機(jī)器學(xué)習(xí)的這種特定運(yùn)算場景下提升算法的收斂速度，從而提高系統(tǒng)的性能。系統(tǒng)有五個(gè)角色：

主控節(jié)點(diǎn)：負(fù)責(zé)資源申請和分配，以及任務(wù)的管理。

執(zhí)行節(jié)點(diǎn)：負(fù)責(zé)任務(wù)的執(zhí)行，以線程的形式存在。

計(jì)算節(jié)點(diǎn)：獨(dú)立進(jìn)程運(yùn)行于Yam的容器中，是執(zhí)行節(jié)點(diǎn)的執(zhí)行容器。

參數(shù)服務(wù)器：伴隨著一個(gè)任務(wù)的啟動(dòng)而生成，任務(wù)結(jié)束而銷毀，負(fù)責(zé)在算法的訓(xùn)練過程中的更新和存儲各種參數(shù)。

計(jì)算節(jié)點(diǎn)組：它是一個(gè)虛擬的概念，由若干個(gè)計(jì)算節(jié)點(diǎn)組成，元數(shù)據(jù)由主控節(jié)點(diǎn)維護(hù)。為模型的并行拓展考慮，在同一個(gè)計(jì)算節(jié)點(diǎn)組內(nèi)所有計(jì)算節(jié)點(diǎn)所運(yùn)行的訓(xùn)練數(shù)據(jù)都是一樣的。雖然在Angel已經(jīng)提供了一些通用的模型，但并不能滿足所有用戶的需求，而用戶自定義的模型也可以實(shí)現(xiàn)Angel的通用接口，形式上等同于MapReduce或Spark。

1.1 友好的用戶交互邏輯

1.1.1 自動(dòng)化數(shù)據(jù)切分

Angel系統(tǒng)為用戶提供了自動(dòng)切分訓(xùn)練數(shù)據(jù)的功能，方便用戶進(jìn)行數(shù)據(jù)并行運(yùn)算：系統(tǒng)默認(rèn)兼容了Hadoop FS接口，原始訓(xùn)練樣本存儲在支持Hadoop FS接口的分布式文件系統(tǒng)如HDFS。

1.1.2 豐富的數(shù)據(jù)管理

訓(xùn)練的樣本數(shù)據(jù)存儲在分布式的文件系統(tǒng)中，該系統(tǒng)在計(jì)算前將樣本數(shù)據(jù)從文件系統(tǒng)讀取到計(jì)算進(jìn)程中，緩存在內(nèi)存里以加速迭代運(yùn)算;如果內(nèi)存中緩存不下，則將這部分?jǐn)?shù)據(jù)暫存到本地磁盤內(nèi)，并且不需要向分布式文件系統(tǒng)再次發(fā)起通訊請求。

1.1.3 豐富的線性代數(shù)以及優(yōu)化算法庫

Angel更提供了能夠高效計(jì)算向量及矩陣的運(yùn)算庫，能夠方便用戶自由地去選擇數(shù)據(jù)和參數(shù)的表達(dá)形式。在優(yōu)化算法方面，Angel已實(shí)現(xiàn)了梯度下降法、交替乘子法;而在模型選擇方面，支持了文檔主題生成模型、矩陣分解模型、邏輯回歸模型以及支持向量機(jī)等。

1.1.4 可選擇的計(jì)算模型

綜述中我們提到了，Angel的參數(shù)服務(wù)器可以支持批量同步并行、全異步并行、延遲同步并行計(jì)算模型。

1.1.5 更細(xì)粒度的容錯(cuò)

在系統(tǒng)中容錯(cuò)主要分為主控節(jié)點(diǎn)的容錯(cuò)，參數(shù)服務(wù)器的容錯(cuò)，計(jì)算節(jié)點(diǎn)進(jìn)程內(nèi)的參數(shù)的緩存以及遠(yuǎn)程過程調(diào)用的容錯(cuò)。

1.1.6 友好的任務(wù)運(yùn)行及監(jiān)控

Angel也具有友好的任務(wù)運(yùn)行方式，支持基于Yam的任務(wù)運(yùn)行模式，同時(shí)，Angel的Web頁面也可以方便用戶查看集群計(jì)算的進(jìn)度。

1.2 內(nèi)存優(yōu)化

在運(yùn)算過程中為減少對于內(nèi)存的消耗以及提升單次運(yùn)算的運(yùn)算收斂性使用了異步無鎖的Hogwildl模式。它允許在多個(gè)CPU上并行執(zhí)行梯度下降的參數(shù)更新。因?yàn)槎鄠€(gè)CPU之間不可能重寫有用的信息，因此處理器可以訪問共享的內(nèi)存。在大多數(shù)情況下，這樣的更新策略可以達(dá)到一個(gè)非常優(yōu)秀的收斂速率。同一個(gè)運(yùn)算進(jìn)程中的N個(gè)執(zhí)行節(jié)點(diǎn)如果在運(yùn)算中都能夠各自保持一個(gè)獨(dú)立的參數(shù)快照，那么對參數(shù)的內(nèi)存開銷就減少了N倍，在訓(xùn)練模型參數(shù)維度越大時(shí)消耗減少的就越明顯。在梯度下降的優(yōu)化算法中，訓(xùn)練數(shù)據(jù)絕大多數(shù)情況下是稀疏的，因此參數(shù)更新沖突的概率就大大降低了，即便沖突了也都是朝著梯度下降的方向更新的，從而總能達(dá)到收斂。在實(shí)際的使用中，讓多個(gè)執(zhí)行節(jié)點(diǎn)在一個(gè)進(jìn)程內(nèi)共享同一個(gè)參數(shù)快照，這樣能夠明顯減少內(nèi)存的消耗并且提升收斂速度。

1.3 網(wǎng)絡(luò)優(yōu)化

（l）進(jìn)程內(nèi)的執(zhí)行節(jié)點(diǎn)運(yùn)算之后的參數(shù)，更新合并之后推送到參數(shù)服務(wù)器更新，這樣大大減少了執(zhí)行節(jié)點(diǎn)所在機(jī)器的上行所需要的消耗，同樣的也減少了參數(shù)服務(wù)器的下行消耗，同時(shí)減少在推送更新的過程中的峰值傳輸瓶頸的次數(shù)。

（2）通過更深一步的網(wǎng)絡(luò)優(yōu)化解決延遲同步并行的問題：由于延遲同步并行是一種半同步的運(yùn)算調(diào)度機(jī)制，能夠在有限的窗口訓(xùn)練參數(shù)，當(dāng)運(yùn)算快的節(jié)點(diǎn)達(dá)到窗口邊緣時(shí)，任務(wù)就必須要停下來等待最慢的節(jié)點(diǎn)去更新最新的參數(shù)。面對這樣的問題，我們通過網(wǎng)絡(luò)流量的再分配來加速較慢的工作節(jié)點(diǎn)。我們分配給較慢的節(jié)點(diǎn)更高的帶寬;那么比較快的工作節(jié)點(diǎn)就分配更少的帶寬。這樣快的節(jié)點(diǎn)與慢的節(jié)點(diǎn)之間迭代次數(shù)的差距就可以進(jìn)行有效的控制，減少了發(fā)生等待的概率，也就是減少了工作節(jié)點(diǎn)由于延遲同步并行窗口而空閑等待時(shí)間。

2 總結(jié)

大數(shù)據(jù)，機(jī)器學(xué)習(xí)作為當(dāng)下的熱門，需要有一套科學(xué)合理的算法框架來滿足社會需求，讓數(shù)據(jù)處理變得更具效率。針對大數(shù)據(jù)的各個(gè)特點(diǎn)，通過運(yùn)用分布式計(jì)算讓數(shù)據(jù)變得更具條理，更加易于計(jì)算，數(shù)據(jù)處理分析難度得到有效降低，大大提高機(jī)器學(xué)習(xí)的能力。本文介紹的這三種基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)分布式計(jì)算框架各有優(yōu)缺點(diǎn)，都是為了去滿足大數(shù)據(jù)以及機(jī)器學(xué)習(xí)對于工業(yè)界生產(chǎn)的需求。只有不斷去發(fā)展我們的算法框架，滿足不斷提高的需求，才能讓其在大數(shù)據(jù)時(shí)代進(jìn)發(fā)出強(qiáng)勁活力。

參考文獻(xiàn)

[1] Dean J，

Ghemawa t S.

MapReduce：simplified data processing on largeclusters [J] .

Communications of- theACM， 2008， 51 （01） ： 107-113.

[2] Shvachko K， Kuang H， Radia S， etal. The hadoop distributed filesystem [Cl//Mass storage systems andtechnologies

（MSST） ，

2010 IEEE 26thsymposium on. Ieee， 2010： 1-10.

[3] AsseFi M. Behravesh E， Liu G. etal. Big data machine learning usingapache spark MLlib [C] //Big Data（Big Data） ，

2017 IEEE InternationalConference on. IEEE， 2017： 3492-3498.

[4] Jiang J， Yu L， Jiang J， et al.Angel： a new large-scale machinelearning system[Jl. National ScienceReview， 2017， 5 （2） ： 216-236.

[5] Khumoyun A， Cui Y. Hanku L.Spark based distributed deeplearning framework for big dataapplica tions [C] //Informa tion Scienceand Communications Technologies（ICISCT） ，

Interna tional

Conferenceon. IEEE， 2016： 1-5.

[6] Xing E P， Ho Q， Dai W， et al.Petuum： A new platform fordistributed machine learning on bigdata [J] . IEEE Transactions on BigData， 2015， 1 （2） ： 49-67.