用 Go 跑的更快：使用 Golang 为机器学习服务

# 用 Go 跑的更快：使用 Golang 为机器学习服务因此，我们的要求是用尽可能少的资源完成每秒300万次的预测。值得庆幸的是，这是一种比较简单的推荐系统模型，即多臂老虎机（MAB）。多臂老虎机通常涉及从 [Beta 分布](https://en.wikipedia.org/wiki/Beta_distribution) 等分布中取样。这也是花费时间最多的地方。如果我们能同时做尽可能多的采样，我们就能很好地利用资源。最大限度地提高资源利用率是减少模型所需总体资源的关键。我们目前的预测服务是用 Python 编写的微服务，它们遵循以下一般结构： > 请求->功能获取->预测->后期处理->返回一个请求可能需要我们对成千上万的用户、内容对进行评分。带有 GIL 和多进程的 Python 处理性能很鸡肋，我们已经实现了基于 cython 和 C++ 的批量采样方法，绕过了GIL，我们使用了许多基于内核数量的 workers 来并发处理请求。目前单节点的 Python 服务可以做192个 RPS ，每个大约400对。平均 CPU 利用率只有20%左右。现在的限制因素是语言、服务框架和对存储功能的网络调用。 ## 为什么是 Golang? Golang 是一种静态类型的语言，具有很好的工具性。这意味着错误会被及早发现，而且很容易重构代码。Golang 的并发性是原生的，这对于可以并行运行的机器学习算法和对 Featurestore 的并发网络调用非常重要。它是 [这里](https://www.techempower.com/benchmarks/) 基准最快的服务语言之一。它也是一种编译语言，所以它在编译时可以进行很好的优化。 ## 移植现有的 MAB 到 Golang 上基本思路，将系统分为3个部分: - 用于预测和健康的基本 REST API 与存根 - Featurestore 的获取，为此实现一个模块 - 使用 [cgo](https://pkg.go.dev/cmd/cgo) 提升和转移 c++ 的采样代码第一部分很容易，我选择了 [Fiber](https://gofiber.io/) 框架用于REST API。它似乎是最受欢迎的，有很好的文档，类似 Expressjs 的API。而且它在基准测试中的表现也相当出色。早期代码: ``` func main() { // setup fiber app := fiber.New() // catch all exception app.Use(recover.New()) // load model struct ctx := context.Background() md, err := model.NewModel(ctx) if err != nil { fmt.Println(err) } defer md.Close() // health API app.Get("/health", func(c *fiber.Ctx) error { if err != nil { return fiber.NewError( fiber.StatusServiceUnavailable, fmt.Sprintf("Model couldn't load: %v", err)) } return c.JSON(&fiber.Map{ "status": "ok", }) }) // predict API app.Post("/predict", func(c *fiber.Ctx) error { var request map[string]interface{} err := json.Unmarshal(c.Body(), &request) if err != nil { return err } return c.JSON(md.Predict(request)) }) ``` 就这样，任务一完成了。花了不到一个小时。在第二部分中，需要稍微学习一下如何编写 [带方法的结构](https://gobyexample.com/methods) 和 [goroutines](https://gobyexample.com/channels) 。与 C++ 和 Python 的主要区别之一是，Golang 不支持完全的面向对象编程，主要是不支持继承。它在结构体上的方法的定义方式也与我遇到的其他语言完全不同。我们使用的 Featurestore 有 [Golang 客户端](https://cloud.google.com/go/docs/reference/cloud.google.com/go/aiplatform/latest/apiv1#cloud_google_com_go_aiplatform_apiv1_FeaturestoreOnlineServingClient) ，我所要做的就是在它周围写一个封装器来读取大量并发的实体。我想要的基本结构是: ``` type VertexFeatureStoreClient struct { //client reference to gcp's client } func NewVertexFeatureStoreClient(ctx context.Context,) (*VertexFeatureStoreClient, error) { // client creation code } func (vfs *VertexFeatureStoreClient) GetFeaturesByIdsChunk(ctx context.Context, featurestore, entityName string, entityIds []string, featureList []string) (map[string]map[string]interface{}, error) { // fetch code for 100 items } func (vfs *VertexFeatureStoreClient) GetFeaturesByIds(ctx context.Context, featurestore, entityName string, entityIds []string, featureList []string) (map[string]map[string]interface{}, error) { const chunkSize = 100 // limit from GCP // code to run each fetch concurrently featureChannel := make(chan map[string]map[string]interface{}) errorChannel := make(chan error) var count = 0 for i := 0; i < len(entityIds); i += chunkSize { end := i + chunkSize if end > len(entityIds) { end = len(entityIds) } go func(ents []string) { features, err := vfs.GetFeaturesByIdsChunk(ctx, featurestore, entityName, ents, featureList) if err != nil { errorChannel <- err return } featureChannel <- features }(entityIds[i:end]) count++ } results := make(map[string]map[string]interface{}, len(entityIds)) for { select { case err := <-errorChannel: return nil, err case res := <-featureChannel: for k, v := range res { results[k] = v } } count-- if count < 1 { break } } return results, nil } func (vfs *VertexFeatureStoreClient) Close() error { //close code } ``` #### 关于 Goroutine 的提示尽量多使用通道，有很多教程使用 Goroutine 的 sync workgroups。那些是较低级别的 API，在大多数情况下你都不需要。通道是运行Goroutine 的优雅方式，即使你不需要传递数据，你可以在通道中发送标志来收集。goroutines 是廉价的虚拟线程，你不必担心制造太多的线程并在多个核心上运行。最新的 golang 可以为你跨核心运行。关于第三部分，这是最难的部分。花了大约一天的时间来调试它。所以，如果你的用例不需要复杂的采样和 C++，我建议直接使用 [Gonum](https://www.gonum.org/) ，你会为自己节省很多时间。我没有意识到，从 cython 来的时候，我必须手动编译 C++ 文件，并将其加载到 cgo include flags 中。头文件: ``` #ifndef BETA_DIST_H #define BETA_DIST_H #ifdef __cplusplus extern "C" { #endif double beta_sample(double, double, long); #ifdef __cplusplus } #endif #endif ``` 注意 extern C ，这是 C++ 代码在 go 中使用的需要，由于 [mangling](https://en.wikipedia.org/wiki/Name_mangling) ，C 不需要。另一个问题是，我不能在头文件中做任何#include语句，在这种情况下 cgo 链接失败（原因不明）。所以我把这些语句移到 .cpp 文件中。编译它: ``` g++ -fPIC -I/usr/local/include -L/usr/local/lib betadist.cpp -shared -o libbetadist.so ``` 一旦编译完成，你就可以使用它的 cgo。 cgo 包装文件: ``` /* #cgo CPPFLAGS: -I${SRCDIR}/cbetadist #cgo CPPFLAGS: -I/usr/local/include #cgo LDFLAGS: -Wl,-rpath,${SRCDIR}/cbetadist #cgo LDFLAGS: -L${SRCDIR}/cbetadist #cgo LDFLAGS: -L/usr/local/lib #cgo LDFLAGS: -lstdc++ #cgo LDFLAGS: -lbetadist #include */ import "C" func Betasample(alpha, beta float64, random int) float64 { return float64(C.beta_sample(C.double(alpha), C.double(beta), C.long(random))) } ``` 注意 LDFLAGS 中的 -lbetadist 是用来链接 libbetadist.so 的。你还必须运行 export DYLD_LIBRARY_PATH=/fullpath_to/folder_containing_so_file/ 。然后我可以运行 go run . ，它能够像 go 项目一样工作。将它们与简单的模型结构和预测方法整合在一起是很简单的，而且相对来说花费的时间更少。 ## 结果 ![](https://upload-images.jianshu.io/upload_images/28199768-db5a5d736fb77f1d.png) | Metric | Python | Go | | :--------- | :-------: | --------: | | Max RPS | 192 | 819 | | Max latency | 78ms | 110ms | | Max CPU util. | ~20% | ~55% | 这是对 RPS 的**4.3倍**的提升，这使我们的最低节点数量从80个减少到19个，这是一个巨大的成本优势。最大延迟略高，但这是可以接受的，因为 python 服务在192点时就已经饱和了，如果流量超过这个数字，就会明显下降。 ## 我应该把我所有的模型转换为 Golang 吗？简短的答案：不用。长答案。Go 在服务方面有很大的优势，但 Python 仍然是实验的王道。我只建议在模型简单且长期运行的基础模型中使用 Go，而不是实验。Go 对于复杂的 ML 用例来说 [尚](https://github.com/josephmisiti/awesome-machine-learning#go) 不是很成熟。 ## 所以房间里的大象，为什么不是 Rust ？嗯，[希夫做到了](http://shvbsle.in/serving-ml-at-the-speed-of-rust/) 。看看吧。它甚至比 Go 还快。 ![](https://upload-images.jianshu.io/upload_images/28199768-4f83dc96231c4cd4.png) 本文由[mdnice](https://mdnice.com/?platform=6)多平台发布

用 Go 跑的更快：使用 Golang 为机器学习服务

推荐阅读更多精彩内容