使用Docker部署AlluxioFuse加速深度学习训练（试验）

Slack Docker Pulls GitHub edit source

概述

本指南介绍读者如何使用基于JNI(Java Native Interface)的实验版的AlluxioFuse来优化机器学习任务的云端IO性能。 该实验版AlluxioFuse同默认Alluxio发行版中的基于JNR实现的AlluxioFuse相比还有一些局限性。 我们正在持续解决兼容性和优化稳定性和速度等问题。欢迎试用并提出建议。 本实验版AlluxioFuse当前仅通过容器镜像交付。

什么是FUSE和AlluxioFuse

用户空间文件系统（Filesystem in Userspace， 简称FUSE）是一个面向类Unix系统的软件接口，它使得普通用户无需更改内核代码就能创建自己的文件系统[2]。 FUSE包括kernel提供的内核模块和用户态的libfuse库。libfuse库提供了一套标准的文件系统接口。

Alluxio基于这套文件系统接口实现了简单易用的AlluxioFuse。AlluxioFuse给予了Alluxio更多易用性和灵活性，使得Alluxio能够扩展到更多场景。 由于libfuse基于C，而Alluxio基于Java，我们可以采用JNI或者JNR等不同方式使Alluxio对接libfuse。 本实验版本是使用JNI来直接对接Alluxio和libfuse，而不是Alluxio发行版默认的JNR。

在Docker上单机部署AlluxioFuse

前提条件

  • 安装Docker
  • 下载预生成的Aluxio Docker镜像：镜像信息如下表所示。Alluxio master和Alluxio worker使用下表中第一个镜像，而Alluxio fuse则使用第二个镜像。Alluxio fuse运行环境与Alluxio master等有差异，它还额外依赖于libfuse库，所以它们使用不同的镜像。
REPOSITORYTAG
registry.cn-huhehaote.aliyuncs.com/alluxio/alluxio2.3.0-SNAPSHOT-b7629dc
registry.cn-huhehaote.aliyuncs.com/alluxio/alluxio-fuse2.3.0-SNAPSHOT-b7629dc

单机部署

设置底层存储系统

在主机上创建文件夹underStorage作为Alluxio的底层存储系统

  1. $ mkdir underStorage

设置RAMFS

在主机上创建文件夹/mnt/ramdisk，并挂载为ramfs，注意添加ramfs的读写权限

  1. $ sudo mkdir /mnt/ramdisk
  2. $ sudo mount -t ramfs -o size=1G ramfs /mnt/ramdisk
  3. $ sudo chmod a+w /mnt/ramdisk

在这个示例中，ramfs的大小设置为了1G，也可以根据实验环境设置为其他数值。 此后在Worker的设置中，交给Worker管理的堆外内存大小需要与其一致。

启动Alluxio master

在主机上启动alluxio-master

  1. $ docker run -d \
  2.     --name=alluxio-master \
  3.     -u=0 \
  4.     --net=host \
  5.     -v $PWD/underStorage:/opt/alluxio/underFSStorage \
  6.     -e ALLUXIO_JAVA_OPTS="-Dalluxio.master.hostname=localhost \
  7.         -Dalluxio.master.mount.table.root.ufs=/opt/alluxio/underFSStorage " \
  8.     registry.cn-huhehaote.aliyuncs.com/alluxio/alluxio:2.3.0-SNAPSHOT-b7629dc master

命令参数说明：

  • -u=0表示以root身份运行
  • --net=host指定容器共享主机的network namespace
  • -v $PWD/underStorage:/opt/alluxio/underFSStoragee表示宿主机和Docker容器共享底层存储层文件夹
  • -e ALLUXIO_JAVA_OPTS中设置Alluxio的配置项，其中alluxio.master.mount.table.root.ufs设置了底层存储系统文件夹

启动Alluxio worker

在主机上启动alluxio-worker

  1. $ docker run -d \
  2.     --name=alluxio-worker \
  3.     -u=0 \
  4.     --net=host \
  5.     --shm-size=1G \
  6.     -v /mnt/ramdisk:/opt/ramdisk \
  7.     -v $PWD/underStorage:/opt/alluxio/underFSStorage \
  8.     -e ALLUXIO_JAVA_OPTS="-Dalluxio.worker.hostname=localhost \
  9.         -Dalluxio.master.hostname=localhost \
  10.         -Dalluxio.worker.ramdisk.size=1G \
  11.         -Dalluxio.master.mount.table.root.ufs=/opt/alluxio/underFSStorage " \
  12.     -e ALLUXIO_RAM_FOLDER=/opt/ramdisk \
  13.     registry.cn-huhehaote.aliyuncs.com/alluxio/alluxio:2.3.0-SNAPSHOT-b7629dc worker

命令参数说明：

  • --shm-size=1G：设置容器的共享内存大小，与alluxio.worker.ramdisk.size（ALLUXIO_JAVA_OPTS中设置）和RAMFS的大小（1G）保持一致
  • -v /mnt/ramdisk:/opt/ramdisk：和Docker容器共享主机的ramdisk
  • -e ALLUXIO_RAM_FOLDER=/opt/ramdisk：通知worker如何定位ramdisk

设置AlluxioFuse挂载路径

在主机上创建文件夹/mnt/alluxio-fuse，AlluxioFuse会数据集挂载在这个路径下：

  1. $ mkdir /mnt/alluxio-fuse
  2. $ sudo chmod a+r /mnt/alluxio-fuse

启动AlluxioFuse

在宿主机上启动alluxio-fuse，注意容器挂载路径是/mnt（而不是/mnt/alluxio-fuse）。

  1. $ docker run -d \
  2.     --name=alluxio-fuse \
  3.     -u=0 \
  4.     --net=host \
  5.     -v /mnt/ramdisk:/opt/ramdisk \
  6.     -v /mnt:/mnt:rshared \
  7.     --cap-add SYS_ADMIN \
  8.     --device /dev/fuse \
  9.     registry.cn-huhehaote.aliyuncs.com/alluxio/alluxio-fuse:2.3.0-SNAPSHOT-b7629dc fuse \
  10.     --fuse-opts=kernel_cache

命令参数说明：

  • -v /mnt:/mnt:rshared：容器共享宿主机的/mnt文件夹，Alluxio中的数据将会挂载到/mnt/alluxio-fuse
  • --cap-add SYS_ADMIN：赋予容器SYS_ADMIN权限
  • --device /dev/fuse：容器共享宿主机的设备/dev/fuse
  • --fuse-opts=kernel_cache：设置FUSE参数，kernel_cache表示使用page cahce

测试Alluxio集群

在alluxio-master容器里往Alluxio添加文件

  1. $ docker exec -it alluxio-master bash
  2. $ alluxio fs copyFromLocal LICENSE  /

查看alluxio-fuse容器的挂载点/mnt/alluxio-fuse

  1. $ ls /mnt/alluxio-fuse/
  2. LICENSE

可在主机上通过挂载点直接访问Alluxio中的文件，说明Alluxio集群已成功部署。

AlluxioFuse调优

在FUSE层和Alluxio层都能进一步调优，下面分别介绍。

FUSE层优化配置项

配置项默认值调优建议描述
direct_io不要设置开启direct_io模式，内核不会主动缓存和预读；当IO负载压力特别高时，direct_io模式下可能存在稳定性问题。
kernel_cache建议启用开启kernel_cache，使用更多的系统缓存，同时提升文件读取速度。
max_read=N131072使用默认值FUSE单次request能读取文件的大小上限。这个值在kernel被设置为32个pages，在i386上，为131072，或者说128kbytes。
attr_timeout=N1.07200设置文件属性（struct inode）被缓存的时间（单位：second）。增加inode缓存时间可减少FUSE文件元数据操作，提升性能。
entry_timeout=N1.07200设置文件项（struct dentry）被缓存的时间（单位：second）。增加entry缓存时间可减少FUSE文件元数据操作，提升性能。
max_idle_threads10视任务而定libfuse用户态daemon线程的最大闲置数量。在高并发下，这个属性过小会导致FUSE频繁创建销毁线程。建议视用户进程的IO活跃度配置。注意：libfuse 2并未提供这个参数，在alluxio-fuse容器镜像中，我们修改了libfuse代码，并通过环境变量的方式修改这个参数。

AlluxioFuse相关优化配置项

除了一些通用的Alluxio调优手段外，针对AlluxioFuse，我们增加了额外的配置项进行优化。AlluxioFuse优化主要分为两部分。

jnifuse

初始的Alluxio基于jnr-fuse实现AlluxioFuse，为解决性能和稳定性问题，我们基于jni-fuse实现了AlluxioJniFuse，可支持kernel_cache模式。通过设置alluxio.fuse.jnifuse.enabled在两者间切换，建议设置为true。

注意：目前AlluxioJniFuse正处于实验阶段，不支持写入，只支持读取。

属性名默认值调优建议描述
alluxio.fuse.jnifuse.enabledtruetrue使用jnifuse(true)，否则使用jnrfuse(false)。

client端缓存

在高并发和kernel_cache模式下，由于kernel的prefetch机制和FUSE的daemon多线程并发访问机制，可能破坏文件的顺序读特性，导致Alluxio产生频繁的seek gRPC请求，进而大幅降低性能。启用client端缓存可一定程度解决这个问题。

配置项alluxio.user.client.cache.enabled决定了是否启用client端缓存，建议仅在IO压力特别大的情况下启用。若启用client端cache，还有其他配套参数可以调整，包括cache的类型、cache的存储目录、页大小和容量上限。在深度学习任务中，比较通用的配置是将cache类型设置为MEMORY，页大小设置为2MB，容量上限设置为2000MB，然后通过观测cache的命中率（通过alluxio-fuse日志查看）和JVM的GC情况来适当调整页大小和cache容量。

属性名默认值描述
alluxio.user.client.cache.enabledfalse是否启用client端cache。因为会产生额外的资源消耗，建议仅在IO压力特别高的场景下启用。
alluxio.user.client.cache.store.typeLOCALLOCAL设置client端cache的页存储类型，可选：{LOCAL, MEMORY, ROCKS}。LOCAL表示所有页存储在一个目录（通过alluxio.user.client.cache.dir指定）；ROCKS使用rocksDB来持久化数据；MEMORY将所有页存储在Java堆内存中。推荐使用MEMORY。
alluxio.user.client.cache.dir/tmp/alluxio_cacheclient端cache存储目录（在LOCAL和ROCKS下有效）。一般将这个目录挂载为ramfs，提升cache访问速度。
alluxio.user.client.cache.page.size1MBclient端cache的页大小。在调优时，可优先尝试2MB，4MB和8MB。注意：页大小设置过大可能导致JVM频繁GC；而太小则可能导致cache命中率过低。建议调优时，通过观察GC情况和cache命中率适当调整。
alluxio.user.client.cache.size512MBclient端cache的容量上限。MEMORY模式下，建议设置在1800MB以内。

应用实践：在阿里云上基于kubernetes集群搭建四机八卡深度学习环境

在阿里云平台基于k8s集群搭建了4机八卡深度学习训练环境，优化深度学习训练的IO性能。

实验环境说明

硬件环境

  • 4台V100（高配GPU机型），一共32块GPU卡

数据集

  • 使用ResNet-50模型在ImageNet数据集上测试，ImageNet数据集总大小144GB，数据以TFRecord格式存储，每个TFRecord大小约130MB。每个GPU的batch_size设置为256
  • 数据集可从这里下载

数据存储

  • 数据集存储在Aliyun OSS，Alluxio将OSS作为底层存储系统，模型训练程序通过AlluxioFuse读取数据

部署流程

前提条件

  • Kubernetes集群（version >= 1.8）
  • helm（version >= 3.0）
  • Alluxio Docker镜像（由阿里云提供）

设置虚拟内存文件系统

若设置RAMFS的挂载路径为/ram/alluxio，则需在kubernetes集群的每台机器上，挂载RAMFS：

  1. $ mkdir -p /alluxio/ram
  2. $ mount -t ramfs -o size=260G ramfs /alluxio/ram

RAMFS的size具体大小，应视机器配置和训练任务需求而定。

设置底层文件系统

集群使用Aliyun OSS作为Alluxio的底层文件系统，详细配置过程参见在OSS上配置Alluxio。

下载helm-chart

使用helm部署Alluxio集群，需要先下载helm chart，我们使用0.14.0版，若使用其他更老版本可能存在适配问题：

  1. $ wget http://kubeflow.oss-cn-beijing.aliyuncs.com/alluxio-0.14.0.tgz

配置Alluxio集群（基础版）

在配置中，至少应指定Alluxio和Alluxio-fuse的镜像（直接使用阿里云镜像），Alluxio的底层文件系统（阿里云OSS）和Alluxio的RAMFS。如下的config.yaml文件是未使用任何参数优化情况下，部署Alluxio集群所需最简配置。

  1. # config.yaml
  2. image: registry.cn-huhehaote.aliyuncs.com/alluxio/alluxio
  3. imageTag: "2.3.0-SNAPSHOT-b7629dc"
  4. imagePullPolicy: Always
  6. properties:
  7.     # set OSS endpoint
  8.     fs.oss.endpoint: <OSS_ENDPOINT>
  9.     fs.oss.accessKeyId: <OSS_ACCESS_KEY_ID>
  10.     fs.oss.accessKeySecret: <OSS_ACCESS_KEY_SECRET>
  11.     alluxio.master.mount.table.root.ufs: oss://<OSS_BUCKET>/<OSS_DIRECTORY>/
  13. tieredstore:
  14.   levels:
  15.   - alias: MEM
  16.     level: 0
  17.     type: hostPath
  18.     path: /alluxio/ram
  20. fuse:
  21.   enabled: true
  22.   clientEnabled: true
  23.   mountPath: /mnt/alluxio-fuse
  24.   image: registry.cn-huhehaote.aliyuncs.com/alluxio/alluxio-fuse
  25.   imageTag: "2.3.0-SNAPSHOT-b7629dc"
  26.   imagePullPolicy: Always
  27.   args:
  28.     - fuse
  29.     - --fuse-opts=kernel_cache

启动Alluxio集群

helm安装Alluxio集群时，指定前述的集群配置文件config.yaml和helm chart压缩包alluxio-0.14.0.tgz。

  1. $ helm install alluxio -f config.yaml alluxio-0.14.0.tgz

等待Alluxio集群部署一定时间后，查看kubernetes pod：

  1. $ kubectl get po
  2. NAME                                                         READY   STATUS      RESTARTS   AGE
  3. alluxio-fuse-5ttjt                                           1/1     Running     0          7s
  4. alluxio-fuse-6l5pf                                           1/1     Running     0          7s
  5. alluxio-fuse-l84lp                                           1/1     Running     0          7s
  6. alluxio-fuse-m7z28                                           1/1     Running     0          7s
  7. alluxio-master-0                                             2/2     Running     0          7s
  8. alluxio-worker-22m44                                         2/2     Running     0          7s
  9. alluxio-worker-jsqxl                                         2/2     Running     0          7s
  10. alluxio-worker-qp69q                                         2/2     Running     0          7s
  11. alluxio-worker-t6wzj                                         2/2     Running     0          7s

在配置为四机八卡的kubernetes集群上，应该有1个alluxio-master、4个alluxio-worker和4个alluxio-fuse在运行。

在集群任意一台机器查看alluxio-fuse挂载路径：

  1. $ ls /mnt/alluxio-fuse/
  2. train  validation

可见OSS云端数据集已成功挂载到这台机器。之后，用户便可像操作本地文件一样，在挂载数据集上运行深度学习等任务。

配置Alluxio集群（进阶版）

如果直接使用上述最简配置，alluxio-fuse读取性能难以满足深度学习训练需求。在此实例中，我们基于这个深度学习训练环境，全面优化了Alluxio集群的配置，如下所示：

  1. # config.yaml
  2. image: registry.cn-huhehaote.aliyuncs.com/alluxio/alluxio
  3. imageTag: "2.3.0-SNAPSHOT-b7629dc"
  4. imagePullPolicy: Always
  6. properties:
  7.     alluxio.user.ufs.block.read.location.policy: alluxio.client.block.policy.LocalFirstAvoidEvictionPolicy
  8.     alluxio.fuse.jnifuse.enabled: true
  9.     alluxio.user.client.cache.enabled: false
  10.     alluxio.user.client.cache.store.type: MEMORY
  11.     alluxio.user.client.cache.dir: /alluxio/ram
  12.     alluxio.user.client.cache.page.size: 8MB
  13.     alluxio.user.client.cache.size: 1800MB
  14.     alluxio.master.journal.log.size.bytes.max: 500MB
  15.     alluxio.user.update.file.accesstime.disabled: true
  16.     alluxio.user.block.worker.client.pool.min: 512
  17.     # It should be great than (120)*0.01 = 2GB
  18.     alluxio.fuse.debug.enabled: "false"
  19.     alluxio.web.ui.enabled: false
  20.     alluxio.user.file.writetype.default: MUST_CACHE
  21.     alluxio.user.block.write.location.policy.class: alluxio.client.block.policy.LocalFirstAvoidEvictionPolicy
  22.     alluxio.worker.allocator.class: alluxio.worker.block.allocator.GreedyAllocator
  23.     alluxio.user.block.size.bytes.default: 32MB
  24.     # set OSS endpoint
  25.     fs.oss.endpoint: <OSS_ENDPOINT>
  26.     fs.oss.accessKeyId: <OSS_ACCESS_KEY_ID>
  27.     fs.oss.accessKeySecret: <OSS_ACCESS_KEY_SECRET>
  28.     alluxio.master.mount.table.root.ufs: oss://<OSS_BUCKET>/<OSS_DIRECTORY>/
  29.     alluxio.user.streaming.reader.chunk.size.bytes: 32MB
  30.     alluxio.user.local.reader.chunk.size.bytes: 32MB
  31.     alluxio.worker.network.reader.buffer.size: 32MB
  32.     alluxio.worker.file.buffer.size: 320MB
  33.     alluxio.job.worker.threadpool.size: 64
  34.     alluxio.user.metrics.collection.enabled: false
  35.     alluxio.master.rpc.executor.max.pool.size: 10240
  36.     alluxio.master.rpc.executor.core.pool.size: 128
  37.     alluxio.master.mount.table.root.readonly: true
  38.     alluxio.user.update.file.accesstime.disabled: true
  39.     alluxio.user.file.passive.cache.enabled: false
  40.     alluxio.user.block.avoid.eviction.policy.reserved.size.bytes: 2GB
  41.     alluxio.master.journal.folder: /journal
  42.     alluxio.master.journal.type: UFS
  43.     alluxio.user.block.master.client.pool.gc.threshold: 2day
  44.     alluxio.user.file.master.client.threads: 1024
  45.     alluxio.user.block.master.client.threads: 1024
  46.     alluxio.user.file.readtype.default: CACHE
  47.     alluxio.security.stale.channel.purge.interval: 365d
  48.     alluxio.user.metadata.cache.enabled: true
  49.     alluxio.user.metadata.cache.expiration.time: 2day
  50.     alluxio.user.metadata.cache.max.size: "1000000"
  51.     alluxio.user.direct.memory.io.enabled: true
  52.     alluxio.fuse.cached.paths.max: "1000000"
  53.     alluxio.job.worker.threadpool.size: 164
  54.     alluxio.user.worker.list.refresh.interval: 2min
  55.     alluxio.user.logging.threshold: 1000ms
  56.     alluxio.fuse.logging.threshold: 1000ms
  57.     alluxio.worker.block.master.client.pool.size: 1024
  59. worker:
  60.     jvmOptions: " -Xmx12G -XX:+UnlockExperimentalVMOptions -XX:MaxDirectMemorySize=32g  -XX:ActiveProcessorCount=8 "
  62. master:
  63.     jvmOptions: " -Xmx6G -XX:+UnlockExperimentalVMOptions -XX:ActiveProcessorCount=8 "
  65. tieredstore:
  66.   levels:
  67.   - alias: MEM
  68.     level: 0
  69.     type: hostPath
  70.     path: /alluxio/ram
  71.     high: 0.99
  72.     low: 0.8
  74. fuse:
  75.   image: registry.cn-huhehaote.aliyuncs.com/alluxio/alluxio-fuse
  76.   imageTag: "2.3.0-SNAPSHOT-b7629dc"
  77.   imagePullPolicy: Always
  78.   env:
  79.     MAX_IDLE_THREADS: "64"
  80.     SPENT_TIME: "1000"
  81.   # Customize the MaxDirectMemorySize
  82.   jvmOptions: " -Xmx16G -Xms16G -XX:+UseG1GC -XX:MaxDirectMemorySize=32g -XX:+UnlockExperimentalVMOptions -XX:ActiveProcessorCount=24 -XX:+PrintGC -XX:+PrintGCDateStamps -XX:+PrintGCDetails -XX:+PrintGCTimeStamps "
  83.   shortCircuitPolicy: local
  84.   mountPath: /mnt/alluxio-fuse
  85.   args:
  86.     - fuse
  87.     - --fuse-opts=kernel_cache,ro,max_read=131072,attr_timeout=7200,entry_timeout=7200

上述优化涵盖了FUSE、JVM和Alluxio，最终为深度学习训练速度带来了巨大的提升。在深度学习训练时间上，使用Alluxio需要65分钟，作为对比的云上SSD则需要110分钟，提升达40%。

总结与展望

在本文中，我们介绍了Alluxio和FUSE的技术背景，以及AlluxioFuse的应用价值，接着我们介绍了如何通过Docker镜像的方式在单机上快速部署AlluxioFuse，然后从FUSE和Alluxio层分别分析了AlluxioFuse调优方法，最后在阿里云上基于kubernetes集群部署四机八卡深度学习训练环境，提升深度学习训练速度。

为进一步提升AlluxioFuse性能，我们还在持续优化AlluxioFuse，欢迎各位尝试目前提供的阿里云实验版本镜像！

参考文献

[1] alluxio: Alluxio概览, https://docs.alluxio.io/os/user/stable/cn/Overview.html.

[2] wikipedia: FUSE, https://zh.wikipedia.org/wiki/FUSE.

[3] 阿里云容器平台：阿里云容器服务团队实践——Alluxio 优化数倍提升云上 Kubernetes 深度学习训练性能, https://www.infoq.cn/article/FLMjB7A7jD2aAWvg6Xjb.