如何搭建一個GPU加速的分布式機器學習系統(tǒng)，遇到的問題和解決方法

小嘰導讀：在解決實際問題的時候，很多人認為只要有機器學習算法就可以了，實際上要把一個算法落地還需要解決很多工程上的難題。本文將和大家分享如何從零開始搭建一個GPU加速的分布式機器學習系統(tǒng)，介紹在搭建過程中遇到的問題和解決方法。

一  背景

在云計算環(huán)境下，虛擬機的負載均衡、自動伸縮、綠色節(jié)能以及宿主機升級等需求使得我們需要利用虛擬機(VM)遷移技術，尤其是虛擬機熱遷移技術，對于down time（停機時間）要求比較高，停機時間越短，客戶業(yè)務中斷時間就越短，影響就越小。如果能夠根據(jù)VM的歷史工作負載預測其未來的工作負載趨勢，就能夠尋找到最合適的時間窗口完成虛擬機熱遷移的操作。

于是我們開始探索如何用機器學習算法預測ECS虛擬機的負載以及熱遷移的停機時間，但是機器學習算法要在生產(chǎn)環(huán)境發(fā)揮作用，還需要很多配套系統(tǒng)去支持。為了能快速將現(xiàn)有算法在實際生產(chǎn)環(huán)境落地，并能利用GPU加速實現(xiàn)大規(guī)模計算，我們自己搭建了一個GPU加速的大規(guī)模分布式機器學習系統(tǒng)，取名小諸葛，作為ECS數(shù)據(jù)中臺的異構機器學習算法加速引擎。搭載以上算法的小諸葛已經(jīng)在生產(chǎn)環(huán)境上線，支撐阿里云全網(wǎng)規(guī)模的虛擬機的大規(guī)模熱遷移預測。

二  方案

那么一套完整大規(guī)模分布式系統(tǒng)機器學習系統(tǒng)需要哪些組成部分呢？

1  總體架構

阿里云全網(wǎng)如此大規(guī)模的虛擬機數(shù)量，要實現(xiàn)24小時之內完成預測，需要在端到端整個流程的每一個環(huán)節(jié)做優(yōu)化。所以這必然是一個復雜的工程實現(xiàn)，為了高效的搭建這個平臺，大量使用了現(xiàn)有阿里云上的產(chǎn)品服務來搭建。

整個平臺包含：Web服務、MQ消息隊列、Redis數(shù)據(jù)庫、SLS/MaxComputer/HybridDB數(shù)據(jù)獲取、OSS模型倉庫的上傳下載、GPU云服務器、DASK分布式框架、RAPIDS加速庫。

1）架構

下圖是小諸葛的總體架構圖。