基于K8s的演示用单机ML服务摆设

这是仅用一台机器（比如一台MacBook）模拟在k8s上摆设一个机器学习服务的演示用实例。
项目地点：https://github.com/HarmoniaLeo/Local-K8s-ML-Demo
该实例分为以下几个部分：

• 利用Keras+Tensorflow搭建并练习神经网络，用于完成KMNIST数据集的分类任务
  
• 基于该神经网络构建在线机器学习服务并在k8s集群上摆设（为了单机运行，以在minikube上摆设为例），结合Redis实现可拓展、可并行、高可用
  
• 提供一个便于演示的UI，完成与体系的图形化交互，并显示体系状态、性能指标等
  

技术栈：

• 练习：Python、Keras、Tensorflow
  
• 摆设：Docker、Kubernetes、Redis
  
• UI：NodeJS、React
  

架构图：

  
1 神经网络练习

1.1 文件组织

• train/checkpoints: 全部由 train_model.ipynb 生成的checkpoint都保存在 checkpoints 文件夹中。Git没有追踪它，请在此处下载
  
• train/data: KMNIST数据集。Git没有追踪它，请在此处下载
  
• train/requirements.txt、train/requirements_cpu.txt: 进行神经网络练习所需的Python库
  
• train/train_model.ipynb: 记录全部分析，并提供神经网络的练习过程
  

1.2 环境配置流程

• 从官方网站下载并安装Anaconda：Anaconda下载
  
• 利用Python 3.11.5创建新的虚拟环境：
  
  1. conda create -n KMNIST python=3.11.5

  复制代码
• 激活虚拟环境：
  
  1. conda activate KMNIST

  复制代码
• 利用 pip 安装所需的库。如果你的电脑支持GPU，则：
  
  1. pip install -r train/requirements.txt

  复制代码
  如果你的电脑不支持GPU，则：
  
  1. pip install -r train/requirements_cpu.txt

  复制代码

1.3 练习

打开train/train_model.ipynb，选择KMNIST虚拟环境作为kernel，然后逐步运行。
2 服务摆设

2.1 文件组织

• server/start_server.py: 运行机器学习服务的Python脚本。读取练习好的神经网络checkpoints，然后不断从Redis的image_stream中读取图片进行识别，将效果放回到Redis的result_stream
  
• server/Dockerfile: 将服务打包为Docker镜像所需的Dockerfile
  
• server/ml-service: 配置机器学习服务并摆设到k8s集群所必要的Helm chart。此中server/ml-service/values.yaml提供了配置的基本参数
  
• server/requirements.txt: 运行机器学习服务所需的Python库
  
• server/checkpoints: 练习好的神经网络checkpoints。Git没有追踪它，请在此处下载
  
• server/redis: 配置Redis服务并摆设到k8s集群所必要的Helm chart
  

2.2 摆设流程

• 将要利用的神经网络checkpoints从train/checkpoints复制到server/checkpoints（默认已经复制了一组）。更改server/start_server.py中的CHECKPOINT_HASH为要利用的checkpoints的hash
  
• 安装并启动Docker：Docker文档
  
• 打开控制台，安装并启动minikube：minikube文档
  
  1. minikube start

  复制代码
• 安装Helm：Helm文档
  
• 进入server文件夹
  
  1. cd server

  复制代码
• 利用Helm摆设Redis服务
  
  1. helm install my-redis ./redis

  复制代码
• 构建Docker镜像
  
  1. docker build -t ml-service:v1.0 .

  复制代码
• 将Docker镜像加载到minikube
  
  1. minikube image load ml-service:v1.0

  复制代码
• 利用Helm摆设ml-service服务
  
  1. helm install ml-service ./ml-service

  复制代码

3 服务演示

3.1 文件组织

• visualization/imgs ：从KMNIST数据集中抽取并存为jpg格式的100张图片，用于进行测试。Git没有追踪它，请在此处下载
  
• visualization/axios_server.js ：用于启动让演示UI可以或许进行控制台交互所需的Axios服务器
  
• visualization/requirements.txt ：为运行visualization/client.py 所需的Python库
  
• visualization/client.py ：客户端Python脚本。将演示UI指定的图片上传到Redis，并将识别效果从Redis中取出，打印到控制台供演示UI读取
  
• 其他NodeJS相关文件，此中和项目的定制重要有关的文件是visualization/src/MLServiceDemo.jsx 和visualization/src/MLServiceDemo.css
  

3.2 准备工作

• 打开控制台，利用Python 3.11.5创建新的虚拟环境：
  
  1. conda create -n KMNISTUI python=3.11.5

  复制代码
• 激活虚拟环境：
  
  1. conda activate KMNIST
  2. UI

  复制代码
• 利用 pip 安装所需的库：
  
  1. pip install -r visualization/requirements.txt

  复制代码
• 安装NodeJS: NodeJS文档
  
• 进入visualization文件夹
  
  1. cd visualization

  复制代码
• 安装NodeJS项目
  
  1. npm install .

  复制代码
• 开启Axios服务器用于控制台交互
  
  1. node axios_server.js

  复制代码
• 打开另一个控制台，开启Redis服务的端口映射，记录此时暴露的端标语（http://127.0.0.1:xxx中的xxx）
  
  1. minikube service my-redis-master

  复制代码
• 用暴露的端标语更换visualization/client.py 中的Redis端标语
  
• 打开另一个控制台，进入visualization文件夹，然后启动演示用网页UI
  
  1. cd visualization
  2. npm start

  复制代码

3.3 演示

3.3.1 UI结构

• UI每次革新（refresh）会在后台通过Axios服务器执行kubectl的get pods命令，从而获取ml-service关联的全部pod的状态
  
• pod会被陈列在左上角，此中绿色的pod已经乐成连接到Redis，可以正常工作，而赤色的pod则还在准备中。通过点击pod可以将其关闭，从而模拟服务故障
  
• 通过点击Upload Images按钮会进入文件选择视图，可以选择并上传必要识别的图片（例如visualization/imgs 文件夹下准备好的图片），支持一次上传多张
  
• 通过更改Min Replicas和Max Replicas并点击Update Replicas，会更新helm的HPA参数从而更改pods的数量。在Redis中没有消息的环境下，pods的数量会减少到Min Replicas；在Redis中有消息的环境下，pods的数量会增加到Max Replicas
  
• 左下的控制台面板会显示进行图形化交互时，后台通过控制台执行的全部命令。此外，还会显示每次处理的性能指标
  
• 右侧面板会显示识别效果
  

3.3.2 演示流程

• 点击upload image，上传visualization/imgs/sample_0.jpg 。这张图片被识别为”お”，处理时间为2081ms，由目前正在运行的唯一一个pod处理
  
  
  
  
• 点击upload image，上传sample_0到20这21张图片，处理耗时大概是只上传一张图片时的数倍
  

为了更好地摆设这个服务。我们的目标是完成可拓展、可并行、高可用这三个目标。具体而言，我们现在只有一个用户和一个服务。如许的问题是假设我们一次上传多张图片，它只能串行处理，造成处理速率慢。另一方面，假设这个服务所在的服务器宕机了，服务就无法运行了。我们重点就是要办理这两个问题。
我们希望可以或许有多个服务，可以自动将服务进行复制，而且每个服务运行在不同的服务器上。然后我们还必要一个负载均衡器，流量一开始只必要发送给它，它会自动把流量分发给不同的服务。
我们利用k8s来自由地实现服务的拓展。而为了实现负载均衡，我们在k8s集群中摆设了Redis。Redis提供了一个消息队列。服务从Redis中拉取消息，并在处理完成后向Redis确认，Redis将对应消息在队列中删除。处理效果也会被写入到Redis中，当效果被接收后则会向Redis确认，并在队列中删除。
如许的架构下，多个服务可以同时取消息，实现可并行；且就算一个服务所在的服务器宕机，别的服务也会继承取消息，实现高可用。

• 将min replicas和max replicas增加到2，并点击Update Replicas，从而实际增加一下pod数量
  
  
  
  然后，再次点击upload image，上传sample_0到20这21张图片。我们可以看到此时处理时间大幅缩短了，两个服务都被分配到了流量，参与了处理
  
  
  
  
• 还是点击upload image，上传sample_0到20这21张图片。在处理过程中，我们可以通过点击一个pod将其关闭，以模拟服务宕机。此时由于k8s的HPA中设置了min replicas为2，意味着pod数量不会降低到2以下，因此k8s会自动开启一个新的pod。
  
  
  
  此时没有故障的pod还在继承处理图片。新的pod会在服务就绪后开始处理图片。处理结束后，可以看见三个pod此时都参与了处理，且pod宕机期间的流量由最开始未宕机的pod去负担了。
  
  
  
  
• 我们还可以继承做一些优化，比如我们为了降低本钱，大概在没有请求的时候选择关闭一些服务器。起首将Min Replicas和Max Replicas都设置为1，则会关闭一个pod。
  
  
  
  然后，保持Min Replicas为1，将Max Replicas设置为2。再次上传图片时，途中会自动追加一个pod来处理消息。
  
  
  
  
  当处理完之后这个新的pod又会被关闭。
  
  
  
  在演示中，我们利用了让Helm调整HPA的参数这一非常原始的方式。生产环境中可以用Keda工具来完成自动缩放。这在拓展小节中会介绍。
  

4 拓展

4.1 利用Prometheus+Grafana来监视体系状态

• 打开控制台，安装Prometheus+Grafana
  
  1. helm repo add prometheus-community https://prometheus-community.github.io/helm-charts
  2. helm install monitoring prometheus-community/kube-prometheus-stack \
  3.   --set prometheus.prometheusSpec.resources.requests.memory=512Mi \
  4.   --set grafana.resources.requests.memory=256Mi

  复制代码
• 在ml-service的Helm chart中开启监控功能：将server/ml-service/values.yaml中prometheus的enabled选项改为true
  
• 更新ml-service
  
  1. cd server
  2. helm upgrade ml-service ./ml-service

  复制代码
• 暴露Grafana服务。此时会自动打开Grafana网页
  
  1. minikube service monitoring-grafana

  复制代码
• 登录Grafana。初始用户名为admin，暗码为prom-operator
  
• 选择数据源为Prometheus并添加你所必要的面板。例如，我们添加了一个可以或许监控ml-service的pod总数和就绪（ready）的pod数的面板。
  
  
  

4.2 利用Keda来实现自动拓展

• 打开控制台，安装Keda
  
  1. helm repo add kedacore https://kedacore.github.io/charts
  2. helm repo update
  3. helm install keda kedacore/keda

  复制代码
• 在ml-service的Helm chart中开启Keda：将server/ml-service/values.yaml中keda的enabled选项改为true，并将autoscaling的enabled选项改为false
  
• 更新ml-service
  
  1. cd server
  2. helm upgrade ml-service ./ml-service

  复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。