云原生AI算力平台 阶段性解读

给近半年做的云原生AI算力平台做一个回顾， 思考和实践参考了云溪大会上的分享：为大模型工程提效，基于阿里云 ACK 的云原生 AI 工程化实践[1]，全文很长，我这边做一个牵引和解读。

1. 云计算迎来“智算”时代

云计算是一种通过互联网的方式按需提供计算资源（如服务器、存储、数据库、网络、软件等）的服务模式， 用户可以像使用水电气一样,按需购买、灵活付费，无需购买和维护物理设备。

特征是① 按需自助服务 ② 广泛的网络访问 ③ 资源池化 ④ 快速弹性伸缩 ⑤ 使用量计费

为什么叫“云计算”？ 在冯诺依曼体系中，计算资源是CPU，但我们还是以“计算机”来指代包含计算、存储、网络、软件形成的完整服务器； 在云计算领域，“计算”一次被沿用，将传统计算机核心组件拆开虚拟化、池化，并提供了“用于信息处理所有软硬件要素的总和抽象”。

今天的云计算已经承载了web应用、数据库、大数据、机器学习和高性能计算等计算负载。

面对LLM和GAI这类对算力和数据都有极高需求的新负载，云计算也迎来了“智算”时代， 一方面以服务化资源池的概念提供万卡算力、PB级存储、和单机TB级高速网络互联，另一方面以云原生标准化交付算力给大模型的生产者和使用者。

2. 大模型带来的挑战

AI有工程化的要求，同时也对基础设施提出挑战。

3. 云原生AI的能力

最近在做的“AI大模型基础设施”， 宏观目标也是帮助AI工程从小作坊向端到端云原生解决方案演进。

统一管理异构资源，提供资源利用率

对idc内各种异构计算（GPU、CPU、NPU等）、存储（OSS、NAS、CPFS、HDFS）、网络（TCP、RDMA）资源进行抽象，统一管理和运维和分配，通过软硬协同优化，提供资源利用率。

通过①统一工作流 ② 统一调度， 实现AI/大数据等复杂任务的高效管理

• 从异构资源管理的角度，可一键部署、操作各种异构资源，在运维过程中，需要多维度的异构资源可观测性： 监控、健康检查、告警、自愈等自动化运维能力
• 对于宝贵的GPU/NPU算力资源，使用各种调度、隔离、共享的方式提供资源利用率
• 分钟级准备好开发和测试环境，帮助算法工程师把 ①执行深度学习任务②产出/评测模型③模型部署 以端到端的工作流串起来， 天然支持主流框架 tensorflow/pytorchjob/mpi 对于分布式任务，提供丰富的任务调度策略，如Gang scheduling、Capacity scheduling、Topology aware scheduling、优先级队列等。
• 提供弹性训练和弹性推理服务， 建立统一的数据集管理，模型生命周期管理， 优化模型访问性能，通过标准API使推理能力易于被业务应用集成。

4. 云原生AI的架构实践

我们的云原生AI算力平台， 有参考上面的实践，针对企业业务的现状和侧重， 技术调研上做了调整和裁剪。

没有使用kubeflow全家桶，基于现有资源使用了arena、 kubeflow trainer。

kubeflow[2]是一个包含多个开源项目的AI生态组合， kubeflow以Kubernetes为底座，目标是成为部署、扩展和管理AI平台的系统。

在平台侧，我们统一纳管多集群资源，实现了统一调度能力和模型生命周期管理，关联了公司自有的数据存储（涉及数据集预热、模型存储）， 这里有一个技术点：Go动态感知资源变更的技术实践，你指定用过！

用户行为的触发点是arena， 我们使用arena提交了训练任务。

ref: Golang 文本模板，你指定没用过!

在调度侧，使用tranning operator和kserve组件，tranning operator 提供统一的训练工作流， kserve提供了将模型以云原生方式部署、扩缩容的能力。

arena产生训练任务/部署动作---> 内部helm形成对应的CRD（pytorchjob、InferenceService)--->控制器监听CRD的变更---> 生成底层资源（deploy/service/network)

各算法团队天然对应租户概念，也就是k8s命名空间， 我们给租户下面每一个用户颁发了一个serviceAccount[3]作为登录和操作凭据。

为实现自动任务调度，我们引入了kueue这样的任务队列组件，在任务被k8s调度器调度之前做准入，kueue成为了异构资源池化、多租户配额、任务排队的技术支撑。

有关kueue的使用，请参考：🎉在k8s调度的花园里面挖呀挖

为适配AI工程化的调度要求，我们使用Koordinator调度器支持了binpack装箱调度。

什么叫binpack， 为什么AI训练需要binpack， 请参考:

🎉卷不过AI算法，AI工程化或许是一个出路？

最后平台需要管控多渠道的任务，我们使用 informer机制监听了多渠道任务并回显到页面， 这里有个技术点，值得参考。

🚀糟糕，我实现的k8s informer好像是依托答辩

参考资料

[1]

为大模型工程提效，基于阿里云 ACK 的云原生 AI 工程化实践: https://developer.aliyun.com/article/1414573

[2]

kubeflow: https://www.kubeflow.org/docs/started/architecture/

[3]

serviceAccount: https://blog.miniasp.com/post/2022/08/24/Understanding-Service-Account-in-Kubernetes-through-MicroK8s

🤖 🚀 👑 🛠️ 💡 🌟 🤖 ☕ 🔗 💼 🗣️ 🐳🚜👍🔎😄🌐