spark_on_angel.md

Spark on Angel

Angel从v1.0.0版本开始，就加入了PS-Service的特性，不仅仅可以作为一个完整的PS框架运行，也可以作为一个PS-Service，为不具备参数服务器能力的分布式框架，引入PS能力，从而让它们运行得更快，功能更强。 而Spark是这个Service设计的第一个获益者。

作为一个比较流行的内存计算框架，Spark 的核心概念是RDD，而RDD的关键特性之一，是其不可变性，来规避分布式环境下复杂的各种并行问题。这个抽象，在数据分析的领域是没有问题的，能最大化的解决分布式问题，简化各种算子的复杂度，并提供高性能的分布式数据处理运算能力。

然而在机器学习领域，RDD的弱势也很明显。 机器学习的核心是迭代和参数更新，RDD凭借着逻辑上不落地的内存计算特性，可以很好的解决迭代的问题，然而RDD的不可变性，却不适合参数反复多次更新的需求。 这个根本的不匹配性，导致了Spark的MLLib库，发展一直非常缓慢，从15年开始就没有实质性的创新，性能也不好。 而Spark社区，一直也不愿意正视和解决这个问题。

现在，由于Angel良好的设计和平台性，利用其提供的PS-Service，Spark可以充分利用Angel的参数更新能力，让Spark也具备高速训练大模型的能力。 开发者只需要付出很小的修改代价，就能用简洁优雅代码实现复杂的机器学习算法。

1. 架构设计

Spark-On-Angel 的系统架构如下图所示，简单来说：

1. Spark RDD是不可变区，Angel PS是可变区
2. Spark通过PSAgent与Angel进行协作和通讯

2. 核心实现

得益于Angel的接口设计，Spark-On-Angel非常轻量，其主要核心模块包括

• PSContext

  • 利用Spark的Context，和Angel的配置，创建AngelContext，在Driver端负责全局的初始化和启动工作

• PSModel

  • PSModel是PS server上PSVector/PSMatrix的总称，包含着PSClient对象
  • PSModel是PSVector和PSMatrix的父类

• PSVector

  • PSVector的申请：通过PSVector.dense(dim: Int, capacity: Int = 50, rowType:RowType.T_DENSE_DOUBLE)申请PSVector，会创建一个维度为dim，容量为capacity, 类型为Double的VectorPool，同一个VectorPool内的两个PSVector可以做运算。 通过PSVector.duplicate(psVector)，申请一个与psVector在同一个VectorPool的PSVector。

• PSMatrix

  • PSMatrix的创建和销毁：通过PSMatrix.dense(rows: Int, cols: Int)创建，当PSMatrix不再使用后，需要手动调用destory销毁该Matrix

使用Spark on Angel的简单代码如下：

PSContext.getOrCreate(spark.sparkContext)
val psVector = PSVector.dense(dim, capacity)
rdd.map { case (label , feature) =>
  	psVector.increment(feature)
  	...
}
println("feature sum:" + psVector.pull.mkString(" "))

3. 启动流程

Spark on Angel本质上是一个Spark任务。Spark启动后，driver通过Angel PS的接口启动Angel PS，必要时将部分数据封装成PSVector丢给PS node管理。 因此，整个Spark on Angel的执行过程与Spark差别不多，driver负责启动、管理PS node， executor在需要的时候向PS node发起对PSVector操作的请求。

Spark driver的执行流程

• 启动SparkSession
• 启动PSContext
• 申请PSVector/PSMatrix
• 执行算法逻辑
• 终止PSContext和SparkSession

Spark executor的执行流程

• 启动PSContext
• 执行driver分配的task