(五)微众Fate-横向联邦学习实践-在线预测

总目录
(一)联邦学习-入门初识
(二)联邦学习-Fate单机部署
(三)微众Fate-横向联邦学习实践-训练评估
(四)微众Fate-横向学习联邦-预测
(五)微众Fate-横向联邦学习实践-在线预测

文章目录

  • 1.fate-serving介绍
    • 1.1 部署流程
  • 2.环境准备
  • 3.编译fate-serving fate-proxy
  • 4. 配置并启动fate-serving
  • 5. 配置fate-serving到fate-flow
  • 6. 配置并启动fate-proxy
  • 7.推送模型
  • 8. 绑定模型
  • 9. 在线预测
  • 10.总结
  • 参考资料

1.fate-serving介绍

fate-serving是FATE的在线部分,在使用FATE进行联邦建模完成之后,可以使用fate-serving进行在线联合预测。

(五)微众Fate-横向联邦学习实践-在线预测_第1张图片

如上图所示,整个集群需要有几个组件

  • serving-server
  • serving-proxy
  • zookeeper 3.4+
  • redis 4.0+

serving-server

serving-server用于处理所有的在线预测请求、以及模型加载请求。serving-server需要从fate-flow加载模型成功之后才能对外提供服务。在FATE中建好模型之后,通过fate-flow的推送模型脚本可以将模型推送至serving-server。

推送成功之后,serving-server会将该模型相关的预测接口注册进zookeeper ,外部系统可以通过服务发现获取接口地址并调用。同时本地文件持久化该模型,以便在serving-server实例在集群中某些组件不可用的情况下,仍然能够从本地文件中恢复模型。

serving-proxy

serving-proxy 是serving-server的代理,对外提供了grpc接口以及http的接口,主要用于联邦预测请求的路由转发以及鉴权。在离线的联邦建模时,每一个参与方都会分配一个唯一的partId。serving-proxy维护了一个各参与方partId的路由表,并通过路由表中的信息来转发请求。

1.1 部署流程

(五)微众Fate-横向联邦学习实践-在线预测_第2张图片

2.环境准备

系统 版本 备注
CentOS 7
Docker 18.09.4
Docker-compose 1.23.2 参考:CentOS7安装Docker-compose推荐方案
Java 1.8
Maven 3.5.2
Zookeeper 3.4.13
Redis 5.0.2 参考docker+docker compose 部署Redis
Fate-Flow 1.3 单机版

3.编译fate-serving fate-proxy

根据上面对在线联合预测架构说明,我们需要启动fate-serving以及fate-proxy两个服务。

1.clone源码到本地

源码地址:https://github.com/FederatedAI/FATE-Serving

2.执行命令编译

 cd ~/FATE-Serving
 mvn clean package

编译成功后,结果如下:

(五)微众Fate-横向联邦学习实践-在线预测_第3张图片

为了使用方便,将编译好的fate-serving以及fate-proxy包copy出来

fate-serving目录结构如下:

(五)微众Fate-横向联邦学习实践-在线预测_第4张图片

文件/文件目录名 说明
bin 存放fate-serving启动、停止、状态获取等相关文本common.sh,存放服务进程id
conf 服务相关配置
fate-serving-server.jar 服务编译的包
lib 依赖包
service.sh 启动/停止等操作服务的命令脚本封装
logs 存放日志

fate-proxy目录结构如下:

(五)微众Fate-横向联邦学习实践-在线预测_第5张图片

结构说明参考fate-serving.

4. 配置并启动fate-serving

fate-serving的相关配置主要是在conf/serving-server.properties 文件下

这边提供我的配置参考如下:

ip=0.0.0.0
port=8000
#serviceRoleName=serving
#inferenceWorkerThreadNum=10
# cache
#remoteModelInferenceResultCacheSwitch=true
# in-process cache
#modelCacheMaxSize=100
#remoteModelInferenceResultCacheTTL=300
#remoteModelInferenceResultCacheMaxSize=10000
#inferenceResultCacheTTL=30
#inferenceResultCacheCacheMaxSize=1000
# external cache
redis.ip=192.168.2.103
redis.port=6379
#redis.password=fate_dev
#redis.timeout=10
#redis.maxTotal=100
#redis.maxIdle=100
#external.remoteModelInferenceResultCacheTTL=86400
#external.remoteModelInferenceResultCacheDBIndex=0
#external.inferenceResultCacheTTL=300
#external.inferenceResultCacheDBIndex=0
#canCacheRetcode=0,102
#external.processCacheDBIndex=0

# adapter
OnlineDataAccessAdapter=MockAdapter
InferencePostProcessingAdapter=PassPostProcessing
InferencePreProcessingAdapter=PassPreProcessing
# external subsystem

# model transfer
model.transfer.url=http://127.0.0.1:9380/v1/model/transfer
# zk router
zk.url=zookeeper://localhost:2181
useRegister=true
useZkRouter=true
# zk acl
#acl.enable=false

主要配置服务端口、redis相关以及zookeeper相关,必须保证redis与zookeeper能连通。

然后愉快地启动fate-serving服务即可

具体命令如下

sh service.sh start

启动成功后,还得观察日志,tail -fn 300 logs/fate-serving-server.log是否报错。

5. 配置fate-serving到fate-flow

要实现在线预测必须将经过fate-flow训练的模型通过api提供到fate-serving,因此需要在fate-flow配置fate-serving的服务地址。

docker exec -it fate_python bash 进入fate-flow容器

编辑配置文件vi arch/conf/server_conf.json

(五)微众Fate-横向联邦学习实践-在线预测_第6张图片

保存成功后,docker restart fate_python重新启动容器.

6. 配置并启动fate-proxy

客户端通过http协议与fate-proxy交互,并不是直接与fate-serving交互。

编辑 fate-proxy编译目录下的 conf/application.properties 如下:

 # same as partyid
coordinator=1000
server.port=8059
#inference.service.name=serving
## actuator
#management.server.port=10087
#management.endpoints.web.exposure.include=health,info,metrics

#random, consistent
#routeType=random

route.table=conf/route_table.json
#auth.file=/data/projects/fate-serving/serving-proxy/conf/auth_config.json

useZkRouter=true
zk.url=zookeeper://localhost:2181

主要配置项是zookeeper,zookeeper作为服务注册中心,当模型被推送到fate-serving后会产生一系列服务注册到zookeeper,fate-proxy通过zookeeper发现服务。

然后愉快地启动fate-proxy服务即可

具体命令如下

sh service.sh start

7.推送模型

经过2-6步骤我们已经准备就绪。

docker exec -it fate_python bash 进入fate-flow容器

编辑 examples/publish_load_model.json

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-mVCDV10c-1586249085597)(C:\Users\lps\Documents\myblog\fate\1.fate-serving介绍.assets\image-20200407162703012.png)]

执行以下命令推送模型:

 python fate_flow_client.py -f load -c examples/publish_load_model.json

输出结果:
(五)微众Fate-横向联邦学习实践-在线预测_第7张图片

8. 绑定模型

docker exec -it fate_python bash 进入fate-flow容器

编辑 examples/bind_model_service.json

(五)微众Fate-横向联邦学习实践-在线预测_第8张图片

执行以下命令推送模型:

python fate_flow_client.py -f bind -c examples/bind_model_service.json

输出结果:

在这里插入图片描述

9. 在线预测

接口地址:

http://192.168.2.103:8059/federation/v1/inference

1.ip:port 对应fate-proxy的ip:port

2. 后面v1好像就是v1了,表示接口版本

请求方式

POST

请求参数
(五)微众Fate-横向联邦学习实践-在线预测_第9张图片

返回结果

在这里插入图片描述

显示按照提供参数80%可能性恶性

对比我预测前的结果数据为 1 ,接近预测结果。

10.总结

以上的实践主要是单机版的,所以在在线联合预测上面并没有实践,后面将会进行补充,从架构来看,联合的核心主要是通过fate-proxy,通过配置路由表的方式,双方使用共同模型,由数据使用方(Guest)发起请求,对样本数据进行处理,再获取数据提供方(Host)对样本数据的处理结果,进行整合返回。

参考资料

[https://github.com/FederatedAI/FATE-Serving/wiki

你可能感兴趣的:(联邦学习)