文 / 刘童璇，Alibaba PAI 团队
Alibaba PAI 团队从 16 年开始在 TensorFlow 上进行优化，结合阿里巴巴推荐、搜索、广告等核心业务，打造锤炼 TensorFlow 对超大规模稀疏模型的训练能力。在 2018 年 9 月在上海举行的” 谷歌开发者日”，和 2019 年 3 月在美国举行的 “TensorFlow Developer Summit” 都曾分享过 (PAI: Platform of A.I. in Alibaba)。后续会持续和 TensorFlow 团队保持紧密的合作，通过 RecSys SIG，逐步开源内部针对超大规模稀疏模型训练的核心能力。
背景
原生 TensorFlow 中使用 PS-Worker 模式进行异步训练时，通过开源的 gRPC 通信库进行不同节点之间的数据同步。超大规模稀疏模型训练通常需要几百到上千 Worker 节点，此时开源的 gRPC 通信库性能存在明显的瓶颈。特别是稀疏模型中通常包含上百的特征列，带来了大量的小包通信，而 gRPC 库的小包通信能力比较差。在原生 TensorFlow 分布式框架下，难以进行超大规模的稀疏模型训练。
针对原生 TensorFlow 中进行超大规模稀疏训练时分布式扩展性不足的问题，Alibaba PAI 团队为 TensorFlow 社区贡献了 grpc+seastar 及 FuseRecv 两个功能。在一些典型的业务场景下，大大提升了稀疏模型训练的分布式扩展性。TensorFlow 社区内部分同学试用了这两个功能，在 400 worker 规模下能够提升 2-4 倍。
关键技术
通信算子融合 (FuseRecv)
原生 TensorFlow 中异步训练中，使用的 Send/Recv Op 进行跨节点的 Tensor 传输，其中 Recv 节点对应一个 RPC 请求来传输一个 Tensor，即使有 Recv Ops 输出到相同的目标 Op。而且每个即使接收到的张量是标量，Recv 节点也会触发一个 RPC 操作。如图：
为了降低 RPC 的请求个数，同时确保不会因为 RPC 合并带来计算通信 Op 的无法很好 Overlap 问题。在图优化阶段，基于图拓扑进行 Recv Op 的合并，将多个 RecvOp 合并为 FuseRecvOp。RPC 在 WorkerInterface 增加 FuseRecvTensorAsync 接口，支持一个 RPC 传输多个 Rendezvous Key 和获取多个 Tensor。
如图所示，相比原生 TensorFlow 中 a, x 需要两个 Recv 节点进行两次 RPC，FuseRecv 节点会包含两个 slot，通过一次 RPC 将 a, x 从 Device A 中的 Rendezvous 中获取。
您可参考 FuseRecv 的 详细设计文档，目前 RFC 已经过社区评审，被 TensorFlow 社区接受。我们正在将代码贡献给社区。
用户态零拷贝的数据传输
为了追求更好的性能，我们重新设计了 Wire Format，避免了通信过程中的序列化、拷贝的开销。此外我们打通了 RPC 层的内存管理和 TensorFlow 的内存管理，从而实现了 Tensor 的零拷贝传输。
grpc+seastar 的 Request 及 Response 均由定长的 Header 附带一段或多段 Payload 组成。Header 与 Payload 可以独立的进行内存分配，并按照给定的顺序发送，从而在网络上形成完成的报文字节流。
在 RPC 的设计中，一个重要的问题是要在 wire format 层面解决 Response 消息与 Request 消息的关联。一种比较容易的想到的做法是将每次 RPC 请求用一个自增的 id 进行标识，然后再通过类似 map 的数据结构将 id 与 RPC 请求上下文进行关联。每次 Request 及 Response 的 wire format message 结构中，都需要携带该 RPC id，从而关联至上层逻辑。对于这种设计来说，一个显而易见的问题即是基于 RPC id 寻找上下文的 “查表” 开销会随着并发请求量的增大而迅速上涨，尤其在 TensorFlow 这种异步多线程场景下，很难做到无锁操作。
为了避免上述问题，我们采用了直接指针消息映射的策略：在我们的 Request 的 RPC Header 中，会有字段专门存放 context 的指针，而这一指针会在 Response 的 RPC Header 中被原样回传，从而实现直接内存映射，我们以 RPC client 端的场景为例，展示详细的数据结构如下图所示：
在 Tensor 的接收端，在完成定长的 tensor meta 字段的接收过程后，接收端的代码会直接调用对应 TensorFlow 中 Device 的 Allocator 为待接收的 Tensor 分配出适当的内存空间，底层通信层可以直接将 Tensor 的数据接收到该内存空间内。
通信收发链路无锁化
Seastar 是开源的通信库 (GitHub - scylladb/seastar: High performance server-side application framework) 其具有的 Sharing Nothing 架构、BusyPolling 机制、 Message-Passing By Queue 的设计能够大大降低共享对象的锁开销、context switch。特别是在小包通信的场景下，Seastar 展现了数倍于 gRPC 的通信能力。
我们基于 Seastar 的设计特点，在通信收发链路的设计中延续了 Share-nothing 的设计，在完整的通信收发链路中整个流程通过 tls 实现了多线程的 share-nothing，并且基于 Message-Passing By Queue 的方式和外部的 TensorFlow 工作线程进行交互。
目前代码已经贡献给 TensorFlow 社区，请参考 RFC、代码 和 设计文档。
效果
下面是两个测试模型的性能数据。从下图来看 gRPC 从 100 个节点规模往上就就很难继续提高计算吞吐，在 W&DL 模型下从 100 个节点开始反而整体的计算能力开始下降。而使用 grpc+seastar 和 FuseRecv 功能后，则能够继续扩展，提供更高的计算能力。
经验分享
这是我们在 TensorFlow 社区推进的较大规模的 RFC，学到的一些经验包括：
- 提供良好的覆盖很多细节的设计文档，可以帮助沟通，特别是比较少写英文文档的同学。
- 可以找相关 TensorFlow 团队同事，线下提前沟通，在提交给社区前有一些初步意见和迭代。而提交 RFC 给社区的时候，强有力的 TensorFlow 团队 Sponsor，也可以加速此过程。
- TensorFlow 有很多 SIG 组织，一些贡献可以考虑通过 SIG 组织来获取反馈，比如 SIG AddOns，SIG IO，SIG Networking 等。grpc+seastar 的贡献过程得到了 SIG Networking 的 Bairen Yi 和 Jeroen Bédorf 的大力支持，给了很多建议。
- 获取社区中其他开发者的反馈也很有帮助。在以上功能的开发过程中，社区中其他同学提前尝试了我们的功能，并给了很好的反馈。
致谢
感谢在 grpc+seastar，FuseRecv 功能 merge 进社区过程中，给过很多建议和帮助的同学们：Shuangfeng Li、Wei Wei、Ayush Dubey、Jeroen Bédorf、Derek Murray、Bairen Yi 和 Paul Tucker。