ytk-mp4j 分布式機器學習通信庫
?

項目背景

目前可以用于分布式機器學習的通信主要基于MPI和RPC，其中MPI是分布式高性能計算的標配，雖然效率非常高，但是對于開發分布式機器學習任務來說有很多缺點： 開發難度大、數據支持太底層、只能用C/C++， Fortran編寫等等；RPC 方式來實現類似 allreduce 這種操作，在特征維度特別高的場景，通信效率太低。所以我們開發了一套易用且高效的機器學習分布式通信庫。

圖2 ytk-mp4j 特性概略

項目簡介

ytk-mp4j 是基于Java的高效分布式機器學習通信庫，實現了類似 MPI Collective 通信中的大部分操作，包含gather， scatter， allgather， reduce-scatter， broadcast， reduce， allreduce，使用 ytk-mp4j 可以快速地把串行機器學習程序改造成支持多線程和多進程，ytk-learn 中所有涉及到分布式通信操作都是基于 ytk-mp4j 實現（表1中給出了部分例子）。

相比于MPI， ytk-mp4j 擴展實現了一些非常實用的特性：

1. 所有的通信操作都是基于最優算法實現［1，2］，性能非常高，同時支持多線程，多進程。同樣的功能，在C/C++ 環境中，可能需要結合 MPI 和 OpenMP 才能實現

2. 不僅支持基本的數據類型（double， float， long， int， short， byte），而且還支持Java String及任意普通Java對象（Java 對象只需要實現 Kryo的 Serializer 接口）

3. 不僅支持傳統數組類型的 Collective 通信，而且還支持Java Map數據類型，使用Map數據類型，用戶可以實現非常復雜的通信操作（例如：集合求交、求并，鏈表的連接等操作）

4. 支持數據壓縮傳輸，在網絡資源很緊張的情況下，可以節約大量的帶寬

5. 純Java代碼實現，可以無縫集成到 Hadoop， Spark 等分布式計算平臺，構建自己的分布式機器學習系統

6. 使用 Java的SDP（Sockets Direct Protocol）可以實現高效的RDMA（Remote Direct Memory Access）

表1 ytk-mp4j在ytk-learn中的使用

ytk-mp4j 操作ytk-learn 中使用場景

allreduceLoss 求和，梯度求和，Hessian 求和，計算分位數，計算平均值，

計算評估指標（AUC， Confusion Matrix…），統計樣本數量、

特征出現次數等等

reduce-scatterGBDT 高效梯度求和

allgatherL-BFGS 中計算Hv，GBDT 同步梯度

allreduce 操作是分布式機器學習中使用最多的通信操作，它對機群中所有的節點對應的數據進行歸約操作，然后再分發給各個節點。下面給出了 ytk-mp4j 在多進程、多進程、數組，Map 下的 allreduce （歸約操作為求和）示意圖：

性能測試

表2給出了 ytk-mp4j 實現的Collective操作時間復雜度，其中 ?是網絡連接延遲， 是傳輸1個字節需要的時間， 是需要傳輸的字節數量， 是進行1字節數據歸約（reduction）操作需要的時間。可以看出，隨著機器數量的增加，所有操作數據傳輸的時間是幾乎不會增加的，只有連接和歸約操作的時間會隨機器數量增加，但在大數據通信時，連接和歸約的時間占比很小。這個時間復雜度特性非常重要，它使得在特征維度、樣本數量超過一定閾值的分布式機器學習訓練任務中，訓練加速比與機器數量接近線性關系。

表2 ytk-mp4j 實現的 Collective 操作時間復雜度

下圖是測試在 1Gigabit Ethernet 網絡下，10億維 double 數組，各種 Collective 通信操作在不同的機器數量下的通信性能（時間單位： ms），從圖中可以看出 ytk-mp4j 中的7種 Collective 操作的通信時間與機器數量的關系與理論值完全符合。