分享嘉宾：
杨林三-辉羲智能
关于辉羲智能：
辉羲智能是一家做自动驾驶芯片的初创公司，成立于2022年。致力打造创新车载智能计算平台，提供高阶智能驾驶芯片、易用开放工具链及全栈自动驾驶解决方案，助力车企实现优质高效的自动驾驶量产交付，构建低成本、大规模和自动化迭代能力，引领数据驱动时代的高阶智慧出行。
分享提纲：
创业公司中，如何使用 Alluxio ？ 从0-1使用 Alluxio 的过程（调研-部署-上生产）。 实践经验分享。点我观看回放
下文为完整文字版分享内容
分享主题：
《 Alluxio 在自动驾驶模型训练中的应用与部署》
自动驾驶数据闭环
首先分享一下自动驾驶中怎么样构建数据闭环，这个业务过程可能大家都有所了解。自动驾驶会包含多种车辆类型，比如数采车辆、带着算法在路上跑的车。数据采集就是在跑的过程中采自动驾驶车上的各种数据：比如说 camera 的数据就是图片，激光雷达的数据是点云。
传感器数据采回来，可能一辆车每天跑下来就有几T的数据。这种数据通过基盘的方式或者其他上传方式把它们整体存储起来，传到对象存储里面。原始数据存储之后会有一个 pipeline 做数据的解析预处理，比如把它切成一帧一帧的数据帧，每帧的不同传感器数据之间可能还要做同步对齐的操作。
完成数据解析之后，就要在上面做更多的挖掘。构建一个一个的数据集。因为不管是在算法、仿真或者测试里面，都要构建数据集。比如说我们想要雨天的某一个晚上，某一个路口，或者一些密集形成区域的数据，那我们就会在整个系统里面有大量的这种数据需求，要做数据的打标，打上一些标签。比如说在清华东门这个地方，需要去拿这个位置的经纬度，解析周围的 POI。之后再对挖掘出来的数据做标注。常见的标注有：对象、行人、对象的类型等。
这种做了标注的数据，会被拿去做训练。典型的一些任务，比如目标的检测、车道线的检测、或者更大的端到端的模型。模型训练好了之后，还要做一些仿真验证。验证完再把它部署到车上面，再去跑数据，在这个基础上再去采更多的数据。就是这样的一个循环，不断的去丰富数据，不断的去构建性能更好的模型。这是整个训练，数据闭环要做的事情，也是现在自动驾驶研发里面较核心的事情。
算法训练：NAS
我们聚焦到模型训练来讲：模型训练主要是通过数据挖掘拿到数据，从而生成一个数据集。数据集在内部是一个 pkl 文件，包含数据、channel、存储位置，最后数据算法训练的同学会自己写下载脚本，把数据从对象存储拉到本地。
我们在选用 Alluxio 之前，是通过NAS 系统充当缓存的作用，把对象存储的数据拉到 NAS 上面，最后再用不同的模型，把数据 load 进来进行训练。这是使用 Alluxio 之前，大概的训练流程。
其中最大的问题在 NAS ：
并发性能比较差——NAS我们可以理解成它就是一块大的硬盘，当只有几个任务一起跑的时候，还是比较够用的。但是当有几十个训练任务同时进行、很多模型在训练的时候，往往就会出现卡死。我们曾经有一段时间卡死非常严重，研发每天都叫苦不迭。卡得严重以至于可用性非常差、并发性能很差。 管理困难——每一个人都用自己下载的脚本，然后把想要的数据下载到自己的目录下面。另一个人可能又自己去下另外一堆数据，放到NAS的另外一个目录下面，这样就会造成NAS空间满时很难做清理。当时我们基本都是当面或者微信群沟通。一方面是效率特别低，依靠群消息管理会滞后。另外一方面，也会因为手动remove，导致一些风险。我们曾经出现过remove 数据时，把别人的数据集给删掉的情况。这也会造成线上任务区域的报错，这是另外一个痛点。 空间浪费——不同人下载的数据放在不同目录下，有可能同样一帧数据会出现在好几个数据集，存在比较严重的空间浪费。 使用很复杂——因为 pkl 里面的文件格式不相同，使得下载逻辑也不一样，每个人都要单独去写下载程序。这是我们之前用NAS会面临的一些困难和问题，为了解决这些问题，我们做了调研。调研后聚焦到Alluxio上来。发现Alluxio它可以提供一个比较统一的缓存，缓存可以提升我们的训练速度，同时也可以减少管理成本。我们还会用Alluxio的系统，处理双机房的问题。通过统一的命名空间和访问方式，一方面可以简化我们的系统设计，另外在代码实现上也会变得很简单。
算法训练引入Alluxio
当我们把 NAS 换成Alluxio之后，Alluxio能够针对性的解决刚才提到的一些问题：
在并发性方面：NAS本身不是一个完全分布式的系统，而Alluxio是。NAS它访问的 IO 达到一定的速度时会出现卡顿，可能达到几个 G/s的时候就会开始卡。而Alluxio的上限非常高，我们下面还有专门的测试来说明这一点。 通过手动清理或者管理会非常麻烦：Alluixo会配置缓存的逐出策略。一般是通过LRU，当到一个threshold的时候（比如90%）它会自动做缓存的驱逐和清理。这样做的效果： 效率大大得提升； 可以避免因为误删导致的安全性问题； 解决了重复数据的问题。在Alluxio里面，一个 UFS 里面文件，对应到Alluxio就是一个路径，当所有人都去访问这个路径时，就可以拿到对应的数据，这样就不会存在重复数据的问题。另外使用上面也比较简单，我们只需要通过 FUSE 的接口方式访问，不再需要下载文件。
以上是从逻辑层面解决了我们刚才讲的各种各样问题。下面讲一讲，我们整个落地的历程，怎么从 0 到 1 实现Alluxio从开始的 POC 测试，到各种性能的验证，再到最后怎么样部署、运维。我们的一些实践经验。
Alluxio部署：单机房
首先，我们可能会在单机房里部署，就是一定要临近GPU，部署到GPU节点上。同时利用之前GPU 上很少用的SSD，把每个节点都利用起来，然后把 FUSE 和 worker 部署在一起。FUSE就相当于客户端，worker 就相当于一个具有内网通信的缓存小集群，做FUSE 的服务。最后对应的通过 worker 自己对底层的对象存储做通信。
Alluxio部署：跨机房
但是由于各种各样的原因，我们还会有跨机房的存在。现在有两个机房，每一个机房里都会有对应的 S3 服务，也会有相应的 GPU 计算节点。基本上每一个机房我们都会部署一个Alluxio。同时在这个过程中也要注意，一个机房里可能是两个Alluxio的对象存储，另外一个机房如果也要做 S3 挂载，尽量做好 bucket 名字的统一规划，不能把两个搞重了。比如这里有个bucket 1，那里又有一个bucket 1，会导致Alluxio挂载时的一些问题。
还要注意，不同的 endpoint 要注意内网和外网的区分，比如集群1的Alluxio，挂载集群1的endpoint内网，在另一边就是外网，反之性能就会大打折扣。挂载之后我们可以通过同样的路径去访问不同集群上面不同 bucket 的数据，这样其实整个架构就会变得非常简单，这是跨机房部署方面。
Alluxio测试：功能
想要真正把NAS换成Alluxio，在部署之前要做很多功能测试。这种功能测试，目的是让现有的算法流程通过最小程度的改造，让算法同学也能用起来。这里可能要根据各位实际情况去操作。我们当时和Alluxio做过接近2-3周的 POC验证，其中会涉及到，比如说：
K8S 上访问 PVC 的配置； 数据集的组织方式； 作业提交的配置； 访问路径的替换； 最终访问的脚本接口。以上遇到的诸多问题可能都要做验证，至少我们要通过它选一个典型任务，然后做一些改造，最后才能把 NAS 比较平稳的换成Alluxio。
Alluxio测试：性能
接下来在这个基础上，还要做一些性能测验。在这个过程中，不管是单机还是多机，我们都做了比较充分的测试。在单机上，Alluxio和原来的 NAS 基本上性能是打平的。
其实真正体现Alluxio优势的是多主机上、分布式的能力。可以看到 NAS 或者我们举例的QTS，它有一个非常明显的点：不稳定。测试3G 到 10G 间波动会比较大，同时它有一个明显的瓶颈，达到 7/8G 左右，就基本上稳定了。
其实真正体现Alluxio优势的是多主机上、分布式的能力。可以看到 NAS 或者我们举例的QTS，它有一个非常明显的点：不稳定。测试3G 到 10G 间波动会比较大，同时它有一个明显的瓶颈，达到 7/8G 左右，就基本上稳定了。
而Alluxio这边，整个测试过程，节点随着运行实例的增加，可以达到一个非常高的上限，我们当时设到 20GB/s时，它都还是呈现出一直向上的趋势。这说明Alluxio整个并发的、分布式的性能非常好。
Alluxio落地：调参适配环境
做完功能验证和性能测试之后，就真正的要实际部署Alluxio集群，部署好之后，需要一个参数调参适配的过程。因为测试时，只采用了一些典型的任务，真的上Alluxio环境之后，会发现随着任务增多，会有一个参数调参适配的过程。需要把Alluxio 上面相应的参数跟实际运行环境做匹配，然后才能够把它性能给发挥好。所以会有边运行、边运维、边调参的过程。
我们经历了一些典型的调参过程，比如说：
这里列的 ETCD 的节点。一开始是 1 ，后面变成 3 ，这样就可以保证它是一个ETCD被挂了，不至于整个集群就都给挂了。 还有与 S3 相关的。比如说Alluxio在实现的时候，他会让S3生成一个访问比较长的路径，会在中间的路径节点，默认写一些空白，以至于让它具有更好的性能。但是这种情况下，我们训练任务下面的 S3 ，是做了权限管控的，不允许他们去写这种数据。面对这种冲突，也需要调参。 还有像 FUSE 节点本身能忍受的并发强度的能力。包括它要使用的Direct Memory的大小，实际上也和整个业务实际运行并发的强度多少有很大关系。和能够一次性访问的数据量其实是有很大关系的，这也有一个调参的过程，不一而足。可能会在不同环境下遇到不同的问题。这也是选择Alluxio企业版的原因。因为在企业版的过程中Alluxio会有非常强的支持， 7* 24h 都可以做到遇到问题去调整、去配合。有了相互配合的周期，才能够让整个集群比较顺畅地运行起来。Alluxio落地：运维
我们这个团队最早运维的同学只有一个人，他负责很多底层Infra 的维护和相关工作，当我要把Alluxio部署上来的时候，其实运维那边的资源是不够的，所以相当于我也兼半个运维。从自己要去运维一个东西的角度来说，要做好很多运维方面的记录和知识沉淀，特别是对一个新手来讲很重要。比如下一次出现问题怎样更好地解决，是不是之前已经有过这样的经验。
针对我们当时的环境，会维护好三份文档。
运维的历史记录文档：比如说哪一天出现了什么问题，这些问题我找到它根因是什么，它的解决方案是什么？具体操作是什么？ 操作文档：比如我们在 K8S 上面去运维，它的重启是哪几步、操作是什么、出现问题怎样去看日志、怎样去排查、去看FUSE对应的数据是哪个任务、哪个 work 上面去运行、监控等等。都是常用的一些操作。 配置的变更：因为Alluxio具体在调参的过程中。不同的时候，可能遇到的配置文件、yaml 文件是不一样的，可能还要做一些备份。可以用 Git 管理，也可以简单地采用文档管理。通过这种方式可以追溯到当前配置和历史配置版本。在此基础上，我们还会有一些相关的配套建设，就是为了更好地使用 Alluxio。研发同学使用下来认为Alluxio蛮好用的。但多任务的时候，就暴露出来一些配套建设的需求。比如我们要去做图片的resize，把图片从一开始高清4K ，降到 720P ，以便支持更多的任务缓存。
训练数据集做跨集群同步，以便更好的做数据预加载。这些都是围绕着Alluxio要做的系统化建设。
Alluxio落地：共同进步
在我们不断使用Alluxio的过程中，也会发现一些值得改进的地方，我们通过给Alluxio反馈，促进了整个产品的迭代，这里特别提到几点，
从研发算法同学那边，他们care的是：
稳定性：一定要在运行过程中稳定，不能因为Alluxio，一些东西 crash 了，让整个系统训练受阻。这里面可能有一些运维的小技巧，比如说尽可能不要让 FUSE 重启。刚才也提到了 FUSE 重启就意味着它的访问路径，读数据文件的时候，会失败、出现 IO 的error。 确定性：比如Alluxio之前建议数据不需要做预加载，即不需要在预训练之前读一遍，只需要在第一个 epoch 过程中读一遍。但是因为研发有发版周期，他要明确的知道预加载要多长的时间，如果通过第一个 epoch去读，很难预估整个训练时间。这里面其实也会引申出来，怎样通过一个 file list做缓存这件事情，这个也给Alluxio提了一些需求。 可控性：虽然Alluxio是可以提供自动化的基于 LRU 的缓存驱逐清理缓存。但是实际上研发还是希望，一些已经缓存过的数据，能够主动做一些清理。那么能不能也通过提供 file list，让Alluxio把这块数据给 free 掉。这也是我们除了间接的用Alluxio，还要直接的、非常可控的用Alluxio的需求。从运维的这一端，也会提一些需求：
配置中心：Alluxio自己可以提供一个配置中心，把配置的历史给保存下来。增加一个功能以便实现配置项更改时，提前预算到这个改动到底影响的是什么； Trace跟踪一个命令的运行过程：另外一个比较现实一点的需求，比如现在发现一个问题：访问底层的一个 UFS 文件时延时比较高，到底是什么原因？我们看 FUSE 的日志可能看不出原因，得需要再去看 location 对应的worker日志。这其实是一个非常耗时、麻烦的过程，而且往往排查不了问题，还需要Alluxio的线上客服支持。Alluxio能不能加一个 Trace 命令，在要做访问的时候，把 FUSE 耗时、work 耗时、以及从 UFS 里面读它的耗时，一个全链路的耗时问题给 Trace 出来。这样其实对整个运维过程或者排查过程会有比较大的帮助。 智能监控：有时候监控的东西是我们已经知道的东西。比如说Direct Memory 有问题了，我们去配一个监控项。但是如果下一次一个新问题在我的日志里面出来了，它可能是一个隐藏的问题，在人不知道的情况下悄悄地发生。这种情况我们希望可以自动的监控出来。我们通过工单反馈的方式，给Alluxio提了各种各样的建议。希望Alluxio能够在产品迭代过程中，提供更强大的功能。把整个研发、运维 care的事项，做到更好的满足。
小结
第一，从Alluxio在整个自动驾驶模型训练的缓存加速方面，对比 NAS它提供了很好的可用性。对我们来说它也会有10倍左右的提升。成本的降低来源于两部分：
产品采购成本低； NAS可能会有20%-30%的冗余存储，Alluxio都可以解决掉。从可维护性的角度来讲，它可以自动清理数据，更加及时，也更加安全。易用性方面，它通过 FUSE 可以更便捷的访问数据。
第二，我也分享了辉羲是怎么样去从 0 到 1 部署Alluxio，运维一个系统。
以上就是我的分享，谢谢大家。