[freee] 機械学習基盤におけるスポットインスタンスの有効活用

【オンラインセミナー】「コンテナ × スポットインスタンス」 活用セミナーの資料です
https://aws-seminar.smktg.jp/public/seminar/view/2212

Transcript

1. freee 株式会社
 機械学習基盤におけるスポットインスタンスの有効活用
 2020.06.10
2. 役割
 機械学習エンジニア
 
 Twitter
 @aflc_jp
 
 Tanaka Hiroyuki 田中 浩之
 freee株式会社 smb-AI-Lab
 2
3. 3 AIラボ
 freeeの機械学習関連機能を研究・開発・運用まで行う
 領収書OCR
 自動で経理（仕訳自動推測）

4. 4 MLOps Workflow
 自分たちが使いやすいようにDIY。現在は実験・開発フローを中心に構築中
 モデル学習・パイプライン化
 デプロイ・監視
 仮説検証・データ設計・初期実験 
 企画・設計
 請求
 管理
 コンテナベース開発環境
 Custom Backend Solvarg (Internal Tool) Remote Job code-server Self-hosted パイプライン管理
 学習基盤 EKS クラスタ
 Production EKS クラスタ

5. 5 学習基盤 EKS
 少人数で運用するので最小限かつ自由にアプリケーションを組み合わせられるようにしたかった
 → Kubernetesの自由度、EKSの簡単さ、Kubeflowの便利さを享受
 シンプルで自由度が高い仕組み
 ELB
 SSO
 Istio 
 Ingress Controller
 各種アプリ
 Kubeflow Central Dashboard
 Airflow
 Jupyter Notebook
 Code Server VSCode Editor
 ...
 Terraformで管理
 Helmなどで管理

6. 6 主なアプリケーション
 Kubeflow
 Jupyter Notebook Server機能を中心に使用中
 入れるとIstio周りも自動で構成してくれるのが便利
 モデル学習用のCRDなど、コンポーネントになっており選択的にインストールできる
 JupyterLab Custom Image & code-server
 チームメンバー向けに標準化されたNotebook環境とエディタ環境を提供
 Notebookでガリガリ実験するもよし、ターミナル＆エディタでLinux環境（Pod）に入って開発してもよし
 Airflow
 プロダクション向けのデータ・学習パイプラインを実行する
 コードは独立したリポジトリで一元管理
 Solvarg
 社内製のKubernetes上で動くリモートジョブ実行ツール
 Airflowと連携出来るようになっており、実験フェイズからプロダクションフェイズにスムースに移行する事が出来る

7. 7 作業風景

8. 8 EKS Nodegroupsの設計
 スポットインスタンスをフル活用する
 最低限の基幹系Podのみをオンデマンドノードに配置し、それ以外のジョブ実行や
 長時間動かすプロセスが無いものはスポットノードに配置して一旦運用中
 
 
 例：
 
 Istio、coredns、cluster-autoscaler -> オンデマンドインスタンス
 学習ジョブ、Jupyter Notebook Server -> スポットインスタンス
 
 
 運用してみて問題が出てきた段階でスポットからオンデマンドに切り替えればいいという割り切りでやってます
 Pod単位で気軽に設定・変更出来るのはEKSの強み

9. 9 EKS Nodegroupsの設計
 ３種類のNodegroupを定義
 system: オンデマンドインスタンスノードで、基幹系のPod用
 job: スポットインスタンスノード。ジョブの一時実行用で頻繁にscale in/outする。CPUジョブ、GPUジョブ用にそれぞれNodegroupを用意
 default: それ以外の雑多なPodを配置するノード。こちらもスポットインスタンスで起動
 system (on-demand)
 job (spot)
 pod pod pod pod pod pod pod pod default(spot)
 pod pod
10. 10 Podの振り分け方法
 NodeAffinityとTaints/Tolerationsを使う
 label: A
 NodeAffinity
 Pod側で指定する。特定のラベルがついたノードに配置する設定
 label: B
 Affinity: B Affinity: A
11. 11 Podの振り分け方法
 taints有
 Taints/Tolerations
 ノード(taints)とPod(tolerations)にそれぞれ与える通行手形みたいなもの。同じ手形が無いと関所を通過してノードに配置できない
 taints無
 Toleration有 Toleration無 A
 A
 NodeAffinityとTaints/Tolerationsを使う

12. 12 Podの振り分け方法
 Taints/TolerationsとNodeAffinityを組み合わせてどのノードに配置したいかを制御
 tags: k8s.io/cluster-autoscaler/node-template/taint/system: ":NoSchedule" k8s.io/cluster-autoscaler/node-template/label/ng-name: system k8s.io/cluster-autoscaler/enabled: "true" labels: ng-name: system taints: system: ":NoSchedule" system
 tags: k8s.io/cluster-autoscaler/node-template/taint/job: ":NoSchedule" k8s.io/cluster-autoscaler/node-template/label/ng-name: job k8s.io/cluster-autoscaler/enabled: "true" labels: ng-name: job taints: job: ":NoSchedule" job
 tags: k8s.io/cluster-autoscaler/node-template/taint/nvidia.com/gpu: "true:NoSchedule" k8s.io/cluster-autoscaler/node-template/label/ng-name: g1 k8s.io/cluster-autoscaler/enabled: "true" labels: ng-name: g1 k8s.amazonaws.com/accelerator: nvidia-tesla-v100 taints: nvidia.com/gpu: "true:NoSchedule" job-gpu
 tags: k8s.io/cluster-autoscaler/node-template/label/ng-name: default k8s.io/cluster-autoscaler/enabled: "true" labels: ng-name: default default
 Toleration & Node Affinity 有り -> 選べる
 Spot Spot Spot Toleration & Node Affinity 無し -> defaultにしか行けない

13. 13 Podの振り分け方法
 ポイント
 
 • オンデマンドインスタンスに必要最小限のPodを配置出来る（但し自分で設定のカスタマイズが必要）
 • 何も設定していないPodは自動的にdefaultノードに行くので、全Podにaffinityを付けて回らなくても良い用になっている
 • 機械学習系やデータ処理など、CPU/メモリを多く使う場合はピンポイントでNodegroup（インスタンスサイズ）を指定して起動できる
 ◦ Resource Requestsと組み合わせて実質的にノードを一つ専有して使う事も可能
 • GPUノードを必要なときだけ立ち上げて使える
 

14. 14 Cluster AutoscalerとSpot Allocation Strategy
 Cluster Autoscaler
 • いろんなサイズのジョブ=インスタンスが立ち上がるので、expander=least-wasteに設定
 ◦ least-waste: CPU/Memoryの空きが少なくなるように新規ノードを立ち上げる
 ◦ デフォルトはランダム
 
 ちょっとした設定ポイント
 spotAllocationStrategy
 • スポットインスタンスノード上で動くジョブの中断機会を減らすため、スポットインスタンスの配分戦略をデフォル トのlowestPriceではなくcapacityOptimizedにしている
 nodeGroups: - instancesDistribution: onDemandBaseCapacity: 0 onDemandPercentageAboveBaseCapacity: 0 spotAllocationStrategy: capacity-optimized instanceTypes: - r5.xlarge eksctl設定例

15. 15 Tips: GPU付きのJupyter Notebookを起動する
 Kubeflow標準ではTolerationを付与できない為、GPUインスタンス上でJupyter Notebook Serverを起動できない
 
 → ExtendedResourceToleration Admission Controllerを利用すると、Taintsを自動で付与できる
 ExtendedResourceTolerationで tolerationを自動付与 
 tolerations: - key: "nvidia.com/gpu" operator: "Exists" effect: "NoSchedule" GPUノードが起動 Taintsをセットする事で予期せぬPodがGPU ノードに配置されることを防ぐ 
 • 尚、ExtendedResourceTolerationはEKSで有効化されていないので、同様の機能を持つadmission webhookを自作した
 ◦ https://github.com/roy-ht/extended-resource-toleration-webhook

16. 16 まとめ
 今後挑戦したいこと
 • 予期せぬ中断に対する対策の標準化
 ◦ Airflowジョブや学習ジョブのリトライ時の挙動を統一して途中から再開できるようにしたい
 ▪ https://github.com/kube-aws/kube-spot-termination-notice-handler
 • ただ猶予が二分しかないのでデータ処理・機械学習の場合は常にチェックポイントをS3などに保存して再開可能 にすべき
 • Advanced Security: SA Roleの細かい設定やOpen Policy Agentの導入
 • EKSとスポットインスタンスを活用した機械学習ワークロード向けの開発基盤の構築例を
 ご紹介しました
 • 開発者の知識と権限をAWSとKubernetesでうまく分離できる所が使いやすい
 ◦ 一般の開発者はKubeflow/Kubernetesの最低限の使い方を覚える ◦ メンテナはEKSで運用コストを低く抑えながらk8sエコシステムの恩恵を受けられる ▪ （端的に言うとeksctlは神） • 欲を言うと、もう少しノードのプロビジョニングが速いと嬉しい