字节跳动云原生机器学习离线训练实践_单既喜

业务背景：覆盖推荐、广告、搜索等业务，需处理大规模机器学习训练任务。
架构演进：从集中式离线训练（Reckon+Lagrangex）逐步发展为云原生架构（Reckon+Lagrangex+Primus），支持分布式、异构资源调度。
核心组件：Lagrange（TF框架）、Lagrange-Lite（TF框架）、Primus（云原生离线训练框架）、HDFS、Kubernetes/YARN、蒲公英（GPU框架）、美洲豹（GPU框架）、PSP、Ream（资源Quota管理）。

架构1.0（Reckon+Lagrangex）：集中式离线训练，基于Docker on YARN，服务化Parameter Server（PS），支持0->150万vCores。
架构2.0（Reckon+Lagrangex+Primus）：分布式离线训练，采用伴生PS，声明式API，支持Top 3离线计算框架（Spark、Flink、Primus）。
架构3.0（Reckon+Lagrangex+Primus+Kubernetes）：集中式API Server+CRDs，自研Godel（Kubernetes），支持30%云原生作业规模。
性能指标：每日10000作业，400万vCore总量，30万vCore K8s作业规模，最大4000单作业。

整体架构：多角色+异构微服务计算调度，容器化弹性API-Server，包含Observe、Update、Compute、Reconcile等功能。
调度策略：支持PrimusRole（PS、Worker、GPU Worker）、动态策略（Gang Policy）、Lagrange/Lagrange-Lite多角色异构调度、Lagrange-Lite多角色调度。
弹性调度：混部（Smart Resource：CPU利用率20%->70%）、Slow Start（强稳定性+高训练速度）、潮汐/反潮汐训练。
数据编排：支持HDFS、Feature Store（Iceberg）、Kafka等复杂数据源，编排策略包括Group By、Filter、Shuffle Within Partition、Global Shuffle。

服务化PS vs. 云原生PS：
- 服务化PS：同机房撮合，资源利用率低，运维难度大，隔离性差。
- 云原生PS：分布式部署，性能优化（Numa Bind），全链路Incremental Checkpoint，PS单点Kill/恢复，Smart Resource。
Primus Flow：支持特征调研（行级Shuffle）、丰富数据源（Hudi、TOS、HBase）、多数据流编排（普通流与预处理流混合）。
批流一体：Flink->Primus Streaming（抖音晚高峰+GPU），支持N个角色（GPU+CPU+伴生PS），Forward+Rebalance。
混部训练：计算管理（-1818等退出码识别），数据管理（样本丢失/重复问题）。
Primus Native：编程范式（Configuration、Declarative programming、Py4J）、UDF、AutoType Convert、数据执行器优化，性能提升：
- 总吞吐量：3.3GB/S->13.5GB/S（提升4x）
- 单节点吞吐率：411MB/S->1.2GB/S（提升4x）
- CPU使用率：2.25核->5.25核（提升2.3x）

云原生离线训练：超大规模容器化（Docker on YARN，K8S），多环境声明式API（YARN+K8S），计算能力（多角色+异构+弹性调度），数据能力（复杂数据编排+高性能IPC传输）。
案例应用：Primus Flow、Primus Streaming（批流一体）、超大规模混部训练、Primus Native。