“轻易强快”的 Spark on Angel,大数据处理爽到爆!

机器学习算法工程师,现任职于腾讯TEG数据平台部智能学习组,专注于机器学习算法的研究及其分布式实现,参与Angel开源项目开发及优化。

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(Angel是腾讯第三代高性能计算平台,GitHub地址: https://github.com/Tencent/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。

L-BFGS算法说明

L-BFGS模型参数更新过程如下:

其中,w k

是模型参数, p k = H k -1 g k 是搜索方向, λ 是通过线性搜索得到的步长。

计算 p k = H k -1 g k 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 是我们所要的p k 。

其中,H 0 -1 是单位阵,y k =g k -g k-1 , s k =w k -w k-1 k-1,L-BFGS算法将最近 m 轮生成的 y k和 s k 序列,记做 {y k } 和 {s k }。基于计算 {y k } 和 {s k } 计算 p k 。

L-BFGS的Spark实现

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 {y k } 和 {s k } 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:

(1)每轮迭代,将每个executor计算的梯度Aggregate到driver

(2)y k 和 s k 保存在driver上,在driver端执行two-loop recursion算法

(3)driver上更新模型 w,并将 w 广播到每个Executor

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 保存{yk}和{sk}序列需要较大的内存空间; 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; 每轮迭代,driver都需要和executor完成高维度向量的aggregate和broadcast。

L-BFGS的Spark on Angel

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,大大减轻了对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;

{y k } 和{s k } 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 w 到本地,并将计算的梯度向量Push到PS。

迭代过程:

(1)每轮迭代,executor 将PS上的模型 w pull 到本地,计算梯度,然后梯度向量push给PS

(2)y k 和s k 保存在PS上,在PS端执行two-loop recursion算法

(3)PS上更新模型 w

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和模型的同步在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PSVictor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。

“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。

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”,没有对Spark中的RDD做侵入式的修改,是一个依赖于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( https://github.com/Tencent/angel/blob/master/docs/tutorials/spark_on_angel_quick_start.md)。

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是一样的。

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。

强 --- 功能强大,支持breeze库

breeze库(GitHub地址: https://github.com/scalanlp/breeze)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的实现是传入类型为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

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calculte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( https://github.com/Tencent/angel/blob/master/spark-on-angel/mllib/src/main/scala/com/tencent/angel/spark/ml/sparse/SparseLogistic.scala)

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。

快 --- 性能强劲

我们分别实现了SGD、LBFGS、OWLQN三种优化方法的LR,并在Spark和Spark on Angel上做了实验对比。

该实验代码请前往 Github: https://github.com/Tencent/angel/tree/master/spark-on-angel/mllib/src/main/scala/com/tencent/angel/spark/ml/classification

数据集:腾讯内部某业务的一份数据集,2.3亿样本,5千万维度 实验设置:
说明1:三组对比实验的资源配置如下,我们尽可能保证所有任务在资源充足的情况下执行,因此配置的资源比实际需要的偏多;
说明2:执行Spark任务时,需要加大spark.driver.maxResultSize参数;而Spark on Angel就不用配置此参数。

如上数据所示,Spark on Angel相较于Spark在训练LR模型时有50%以上的加速;对于越复杂的模型,其加速的比例越大。

结语

Spark on Angel的出现可以高效、低成本地克服Spark在机器学习领域遇到的瓶颈;我们将继续优化Spark on Angel,并提高其性能。同时我们也欢迎大家在Github上一起参与我们的改进,提出issue,都是我们改进的宝贵指导意见。

Angel项目Github地址: https://github.com/Tencent/angel, 喜欢的话就到Github上给我们点个Star吧!

【最新版本】1.1.0版本特性

Angel Core:

psf update 添加并发控制 UT和集成开发环境问题修复

Angel Mllib:

改进PSModel 全局指标计算、展示、日志输出优化 模型解析优化 ADMM LR 增加预测功能 朴素的FM算法实现

Spark On Angel:

多task情况下pull/push操作性能提升

文档:

模型分区 同步协议 资源预估 性能调优 SPark on Angel 基于LBFGS 剖析 Spark on angel 的优点

;