零拷贝技术升级，V6D 让数据传输更高效

零拷贝和内存数据管理器 Vineyard（v6d） 最近发布了 0.13.2 版本，为 Python/C++ 开发和 Kubernetes 部署带来了改进的功能。它是作为 CNCF 沙箱项目 来进行维护的，并提供了分布式操作符，可用于在集群节点内或跨集群节点共享不可变数据。V6d 特别适用于大型（分片）数据集上（例如大语言和图模型）的深度网络训练。它的开发目前由阿里巴巴的一个工程团队领导。

零拷贝 和 内存 数据分布是许多实时应用程序的核心问题。从图像处理管道到深度学习模型，如 LLM 和图挖掘算法等，许多数据处理应用程序都需要从许多独立的进程中获取大量数据。在机器学习工程中，随着深度网络变得越来越大，模型参数的分布要求访问共享状态和数据，这一瓶颈变得越来越明显了。作为一个早期项目，V6d 旨在为此类用例提供一个高级 API。

实时应用程序的架构通常利用内存中的键 - 值存储 / 缓存（例如 etcd、Memcached、Redis）来存储和交换频繁访问的数据。根据服务类型，工程团队必须考虑这些工具带来的相关权衡。V6d 由两个主要组件组成：Apache Arrow Plasma 派生共享内存数据管理器（在一个节点内）和由 etcd 支持的元数据服务器（在不同节点之间）。虽然 Plasma 派生服务允许零拷贝数据传输，但 etcd 服务处理数据属性的全局分布（可能是分区的）。

V6d 将自己置于 Python 社区中。在某种程度上，可以考虑将 Python 原生的多进程 shared_memory 扩展到多台机器，以实现不可变的 blob。V6d 提供了两个不同的 Python 客户端接口 IPCClient 和 RPCClient，分别用于操作本地和远程对象。两个客户端 API 都允许基于对象 ID 的统一数据插入和检索模式。然而，v6d 不会在集群节点之间自动移动数据，除非被指示这样做，因为这种操作的高网络成本很高。

我们可以提供了一个可以在本地机器上运行的简单示例，让我们先从创建本地 v6d 实例开始：

python -m vineyard --socket /tmp/vineyard.sock --size 16733650944

作为第一步，让我们展示如何利用 Python 的原生 API。为此，我们将使用 NumPy 创建一个 10k 分辨率的虚拟 RGB 图像，并使用 shared_memory() 接口来快速共享它：

import numpy as npfrom multiprocessing import shared_memoryshape_, dtype_ = (3, 10000, 10000), np.uint8array_to_share = np.random.randint(0, high=255, size=shape_, dtype=dtype_)# 创建共享内存shm = shared_memory.SharedMemory(create=True, size=array_to_share.nbytes)array_shm = np.ndarray(shape_, dtype=array_to_share.dtype, buffer=shm.buf)array_shm[:] = array_to_share[:] # Here we need to copy as we use existing array# 在另一个过程中使用共享内存名称、大小和类型信息来检索数据existing_shm = shared_memory.SharedMemory(name=shm.name)array_retrieved = np.ndarray(shape=shape_, dtype=dtype_, buffer=existing_shm.buf)

在这里，我们可以使用 v6d 执行相同的操作：

import vineyardclient = vineyard.connect('/tmp/vineyard.sock')array_id = client.put(array_to_share)# 在另一个进程中检索之前的 array_to_sharearray_retrieved = client.get(array_id)

如上所示，该 API 非常易于使用，并将数据类型和数组形状传播到检索到的对象中。由于是通用 数组协议（又名缓冲协议），NumPy 接口还接受对 PyTorch、TensorFlow 和 MxNet 张量的零拷贝操作。除此之外，v6d 在 Pandas/Arrow 数据框架上进行了相同的操作。有关该库集成的更多详细信息，请访问 相关的文档页面。也可以在 网页中 找到机器学习培训教程的示例。

对于多节点设置，V6d 允许通过 Python API 和 Helm 图表在 Kubernetes 集群上部署 vineyard 操作。官方文档中还提供了更详细的架构概述。

原文链接：

https://www.infoq.com/news/2023/03/zero-copy-v6d/

声明：本文为 InfoQ 翻译，未经许可禁止转载。

点击底部阅读原文访问 InfoQ 官网，获取更多精彩内容！