用FATE进行图片识别的联邦学习
题图摄于北海公园
（本文系转发VMware云原生实验室工程师彭路的文章）
FATE（Federated AI Technology Enabler）是联邦机器学习技术的一个框架，其旨在提供安全的计算框架来支持联邦 AI 生态。FATE 实现了基于同态加密和多方计算（MPC）的安全计算协议，它支持联邦学习架构和各种机器学习算法的安全计算，包括逻辑回归、基于树的算法、深度学习和转移学习。
联邦机器学习又名联邦学习、联合学习与联盟学习，它能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模，消除由于行业竞争、隐私安全与行政手续等问题带来的数据孤岛，让以数据为基础的机器学习顺利进行。
KubeFATE支持通过Docker Compose和Kubernetes进行FATE部署。我们建议使用Docker Compose安装快速开发和学习FATE集群，同时使用Kubernetes安装生产环境。
深度神经网络（DNN）是在输入和输出层之间具有多层的人工神经网络（ANN）。
本文以经典的神经网络MNIST为例子，展示联邦学习版的深度神经网络训练过程。我们使用KubeFATE快速进行FATE框架的部署。因为模拟联邦学习的双方，我们需要准备两台Ubuntu的机器（物理机或虚拟机）。
1
安装docker和docker-compose
Ubuntu 安装docker：
$ sudo apt-get update
$ sudo apt-get install \
apt-transport-https \
ca-certificates \
curl \
gnupg-agent \
software-properties-common
$ curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
$ sudo apt-get update
$ sudo apt-get install docker-ce docker-ce-cli containerd.io
安装docker-compose：
$ sudo curl -L https://github.com/docker/compose/releases/download/1.23.2/docker-compose-`uname -s`-`uname -m` -o /usr/local/bin/docker-compose
$ sudo chmod +x /usr/local/bin/docker-compose
2
安装KubeFATE
学习环境推荐使用Docker方式部署。使用Docker方式部署分为两步，先根据parties.conf配置文件生成docker-compose文件。通过scp把docker-compose文件复制到目标机器上，然后通过ssh命令登录到目标机器并运“docker-compose up”。
选择两台机器其中之一作为部署机。
1.在KubeFATE的release页面下载软件包kubefate-docker-compose.tar.gz并解压：
$ wget https://github.com/FederatedAI/KubeFATE/releases/download/v1.3.0-a/kubefate-docker-compose.tar.gz
$ tar xzf kubefate-docker-compose.tar.gz
2.进入docker-deploy/ 目录，修改parties.conf文件：
$ cd docker-deploy
$ vi parties.conf
parties.conf:
user=root
dir=/data/projects/fate
partylist=(10000 9999)
partyiplist=(10.160.175.20 10.160.162.5)
servingiplist=(10.160.175.20 10.160.162.5)
exchangeip=
说明：
user：两台目标机器的用户id，建议用户root或权限合适的用户。
dir：目标机器上存放docker-compose文件的目录。
partylist：FATE集群的party列表。这里是两方，用数字表示。
partyiplist：FATE训练集群的IP地址，与partylist对应，例如上例id为10000的训练集群ip地址是10.160.175.20。注意这里要替换成你准备的两台机器对应的IP。
servingiplist：FATE在线推理集群的IP地址，与partylist对应，可以和训练集群在一台机器上，也可以单独是一台机器。本文里训练集群和在线推理集群使用同一台机器。
exchangeip：多于两方部署的时候推荐使用exchange模式。Exchange是一个集中交换数据的节点，记录了所有party的IP地址，每个party只需要知道exchange节点的IP地址就可交换数据。本文是两方直连，所有不填写exchange。
3.生成部署FATE的docker-compose文件
$ bash generate_config.sh
命令会在outputs文件夹下面生成对应的压缩包：confs-
4.部署FATE
$ bash docker_deploy.sh all
因为用到了scp和ssh命令，所以运行这条命令的时候需要输入密码。为了方便可以在部署机和目标机之间做免密码处理。
两台机器在互联网可用环境下，Docker会自动下载FATE需要的镜像。如果是没有互联网的环境，参考Github上使用离线镜像文章。 (https://github.com/FederatedAI/KubeFATE/tree/master/registry)
5.免密处理（可选）
用10.160.175.20作为部署机，需要可以免密码登录本机和10.160.162.5 （目标机）。
生成ssh key：
$ ssh-keygen -t rsa
一直回车即可，会在~/.ssh/目录下生成一个id_rsa.pub文件。分别在两个机器的~/.ssh/目录下新建一个authorized_keys文件，并把刚刚生成id_rsa.pub的内容填写进去。
6.验证是否部署成功。分别登录两台机器运行以下命令来验证：
$ docker ps
CONTAINER ID IMAGE ...
11e86440c02d redis:5 ...
16570fa47d36 federatedai/serving-server:1.2.2-release ...
b64b251e9515 federatedai/serving-proxy:1.2.2-release ...
75603d077a94 federatedai/fateboard:1.3.0-release ...
38cb63178b79 federatedai/python:1.3.0-release ...
80876768cd35 federatedai/roll:1.3.0-release ...
955bab0ae542 federatedai/meta-service:1.3.0-release ...
89928bf28b37 federatedai/egg:1.3.0-release ...
63e4ae852d0d mysql:8 ...
3cc1a4709765 federatedai/proxy:1.3.0-release ...
0e1d945b852c federatedai/federation:1.3.0-release ...
f51e2e77af88 redis:5 ...
3
准备数据集
本文使用MNIST数据集，MNIST是手写数字识别的数据集。从kaggle下载csv格式的数据集。
FATE训练时需要数据集有id，MNIST数据集里有6w条数据，模拟横向l联邦学习，把数据集分为两个各有3w条记录的数据集。
$ awk -F'\t' -v OFS=',' '
NR == 1 {print "id",$0; next}
{print (NR-1),$0}' mnist_train.csv > mnist_train_with_id.csv
这句话是在第一行最前面加上id，第二行开始加序号，并用逗号作为分隔符。
$ sed -i "s/label/y/g" mnist_train_with_id.csv
将表头的label替换成y，在FATE里label的名字通常为y。
$ split -l 30001 mnist_train_with_id.csv mnist_train_3w.csv
将mnist_train_with_id.csv分割，每一个文件有30001行（一行标题和30000行数据）。会生成两个文件：mnist_train_3w.csvaa和mnist_train_3w.csvab。将两个文件重命名：
$ mv mnist_train_3w.csvaa mnist_train_3w_a.csv
$ mv mnist_train_3w.csvab mnist_train_3w_b.csv
$ sed -i "`cat -n mnist_train_3w_a.csv |head -n 1`" mnist_train_3w_b.csv
将mnist_train_3w_a.csv文件的第一行（csv的表头）插入mnist_train_3w_b.csv的最前面。这样我们就得到了两个有表头和id的数据集，各有30000条数据。
分别将两个文件拷贝到两台机器上的/data/projects/fate/confs-
Shared_dir目录是本地文件系统和docker容器中文件系统的共享目录，使容器可以访问宿主机的文件。
4
准备FATE Pipeline
本文在FATE里使用Keras运行DNN，参考文章。(https://github.com/FederatedAI/FATE/tree/master/examples/federatedml-1.x-examples/homo_nn）
1.1. 准备Keras模型：
进入guest方（本文选用9999作为guest）的python容器：
$ docker exec -it confs-9999_python_1 bash
进入Python解释器：
$ python
构建一个Keras模型：
>>>import keras
>>>from keras.models import Sequential
>>>from keras.layers import Dense, Dropout, Flatten
>>>model = Sequential()
>>>model.add(Dense(512,activation='relu',input_shape=(784,)))
>>>model.add(Dense(256,activation='relu'))
>>>model.add(Dense(10,activation='softmax'))
得到json格式的模型：
>>>json = model.to_json()
>>>print(json)
{"class_name": "Sequential", "config": {"name": "sequential_1", "layers": [{"class_name": "Dense", "config": {"name": "dense_1", "trainable": true, "batch_input_shape": [null, 784], "dtype": "float32", "units": 512, "activation": "relu", "use_bias": true, "kernel_initializer": {"class_name": "VarianceScaling", "config": {"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, {"class_name": "Dense", "config": {"name": "dense_2", "trainable": true, "units": 256, "activation": "relu", "use_bias": true, "kernel_initializer": {"class_name": "VarianceScaling", "config": {"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, {"class_name": "Dense", "config": {"name": "dense_3", "trainable": true, "units": 10, "activation": "softmax", "use_bias": true, "kernel_initializer": {"class_name": "VarianceScaling", "config": {"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}]}, "keras_version": "2.2.4", "backend": "tensorflow"}
1.2. 修改test_homo_nn_keras_temperate.json
vi examples/federatedml-1.x-examples/homo_nn/test_homo_nn_keras_temperate.json
将刚刚输出的json格式的模型替换到algorithm_parameters. homo_nn_0.$nn_define位置。
将work_mode设置为1，将guest设置为9999，host和arbiter为10000，将
{
"initiator": {
"role": "guest",
"party_id": 9999
},
"job_parameters": {
"work_mode": 1
},
"role": {
"guest": [
9999
],
"host": [
10000
],
"arbiter": [
10000
]
},
修改guest和host数据集的名字和命名空间，role_parameters. guest.args.data. train_data：
"name": "homo_mnist_guest",
"namespace": "homo_mnist_guest"
role_parameters. host.args.data. train_data：
"name": "homo_mnist_host",
"namespace": "homo_mnist_host"
1.3. 分别上传host方（10000）和guest方（9999）数据
新建upload_data_guest.json
$ vi examples/federatedml-1.x-examples/homo_nn/upload_data_guest.json
{
"file": "examples/data/mnist_train_3w_b.csv",
"head": 1,
"partition": 10,
"work_mode": 1,
"table_name": "homo_mnist_guest",
"namespace": "homo_mnist_guest"
}
上传数据到FATE：
$ python fate_flow/fate_flow_client.py -f upload -c examples/federatedml-1.x-examples/homo_nn/upload_data_guest.json
登陆到host（10000）机器的Python容器，并对应新建upload_data_host.json
$ docker exec -it confs-10000_python_1 bash
$ vi examples/federatedml-1.x-examples/homo_nn/upload_data_host.json
{
"file": "examples/data/mnist_train_3w_a.csv",
"head": 1,
"partition": 10,
"work_mode": 1,
"table_name": "homo_mnist_host",
"namespace": "homo_mnist_host"
}
上传数据到FATE：
$ python fate_flow/fate_flow_client.py -f upload -c examples/federatedml-1.x-examples/homo_nn/upload_data_host.json
登录到FateBoard可以查看上传任务情况，FateBoard的地址是http://party-IP:8080，如下图所示为成功：
1.4. 用fate_flow运行DNN
FATE的训练应该由guest方发起，所以我们登录到guest的Python容器：
$ docker exec -it confs-9999_python_1 bash
使用fate_flow运行DNN任务：
$ python fate_flow/fate_flow_client.py -f submit_job -c examples/federatedml-1.x-examples/homo_nn/test_homo_nn_keras_temperate.json -d examples/federatedml-1.x-examples/homo_nn/test_homo_nn_train_then_predict.json
得到输出：
{
"data": {
"board_url": "http://fateboard:8080/index.html#/dashboard?job_id=202003191510586887818&role=guest&party_id=9999",
"job_dsl_path": "/data/projects/fate/python/jobs/202003191510586887818/job_dsl.json",
"job_runtime_conf_path": "/data/projects/fate/python/jobs/202003191510586887818/job_runtime_conf.json",
"logs_directory": "/data/projects/fate/python/logs/202003191510586887818",
"model_info": {
"model_id": "arbiter-10000#guest-9999#host-10000#model",
"model_version": "202003191510586887818"
}
},
"jobId": "202003191510586887818",
"retcode": 0,
"retmsg": "success"
}
model_id和model_version合起来是确定一个模型的依据，下一步进行预测时候会用到。
登录fateboard查看任务，下图为完成训练：
5
使用模型预测
我们用之前训练的MNIST数据集来做预测，所以就不用再上传数据了。
$ awk -F'\t' -v OFS=',' '
NR == 1 {print "id",$0; next}
{print (NR-1),$0}' mnist_test.csv > mnist_test_with_id.csv
$ sed -i "s/label/y/g" mnist_test_with_id.csv
1.1. 定义预测pipeline
预测也是由guest（9999）方发起，新建test_predict_conf.json
$ vi examples/federatedml-1.x-examples/homo_nn/test_predict_conf.json
{
"initiator": {
"role": "guest",
"party_id": 9999
},
"job_parameters": {
"work_mode": 1,
"job_type": "predict",
"model_id": "arbiter-10000#guest-9999#host-10000#model",
"model_version": "202003191510586887818"
},
"role": {
"guest": [9999],
"host": [10000],
"arbiter": [10000]
},
"role_parameters": {
"guest": {
"args": {
"data": {
"eval_data": [{"name": "homo_mnist_guest", "namespace": "homo_mnist_guest"}]
}
}
},
"host": {
"args": {
"data": {
"eval_data": [{"name": "homo_mnist_host", "namespace": "homo_mnist_host"}]
}
}
}
}
}
job_parameters 里面的model_id和model_version就是刚刚训练时输出里面的，guest和host的数据的名字和命名空间都和训练时一致。
1.2. 进行预测
$ python fate_flow/fate_flow_client.py -f submit_job -c examples/federatedml-1.x-examples/homo_nn/test_predict_conf.json
登录Fateboard查看是否完成预测。
1.3. 下载预测结果
$ python fate_flow/fate_flow_client.py -f component_output_data -j 2020032001133193102117 -p 9999 -r guest -cpn homo_nn_1 -o examples/federatedml-1.x-examples/homo_nn
f：fate_flow的任务种类，component_output_data是获取模块输出用的。
j：jobID，在刚刚预测时候输出里。
p：partyID，guest方是9999。
r：角色，guest。
cpn：模块名称，是训练模型时pipeline（examples/federatedml-1.x-examples/homo_nn/test_homo_nn_train_then_predict.json）定义的，本次是homo_nn_1。
o是下载结果的输出路径。
运行完这条命令之后，会发现examples/federatedml-1.x-examples/homo_nn/目录下多了一个job_2020032001133193102117_homo_nn_1_guest_9999_output_data目录。
查看一下这个目录里面的内容：
ls job_2020032001133193102117_homo_nn_1_guest_9999_output_data
output_data.csv output_data_meta.json
output_data.csv：预测的结果集。
output_data_meta.json：结果集的元数据，就是结果集表头。
往期精彩回顾
KubeFATE:用云原生技术赋能联邦学习(一)
KubeFATE:用云原生技术赋能联邦学习(二)
欢迎对KubeFATE感兴趣的朋友们，加入社群！
消息一则：
VMware招聘云原生前端开发工程师（北京）