基于OAM和kfserving如何实现通用化云原生模型应用部署

150次阅读

共计 4614 个字符，预计需要花费 12 分钟才能阅读完成。

本篇文章为大家展示了基于 OAM 和 kfserving 如何实现通用化云原生模型应用部署，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

kfserving 是 kubeflow 一个用于构建部署标准化的算法模型 serverless 组件，但其和 knative 深度绑定，对传输链路进行了隐藏，如封装 istio，这样复杂的结构不利于生产环境直接使用，这里通过 kubevela 实现的 OAM 将 serverless 流程重新进行简单的标准化封装，以实现一个简单的算法模型 serverless。

背景

如何为算法团队提供高效的工程化上云支持是云原生时代一个很重要的也很有意义的课题，现在开源社区比较完善的应该是 Kubeflow —— 一系列 ML 实验部署环境工具的集合，不过整体来看比较笨重，不适合小团队生产环境快速落地，这里基于 kubevela 和 kfserving 实现一个算法标准化模型的例子，供参考。

项目介绍

项目地址：https://github.com/shikanon/vela-example/tree/main/example/sklearnserver

通过 kubevela 提供了三种对象 mpserver, hpa, httproute。

mpserver 主要负责生成 deployment 和 service 资源，是程序运行的主体

httroute 主要负责生成对外暴露的端口，访问 url

hpa 主要保证服务的可扩展性

部署前准备工作

由于使用到 vela，所以需要先下载 vela 客户端

创建一个 sklearn 的服务

案例放在 exmaple/sklearnserver 下面。

本地镜像编译并运行:

#  编译
docker build -t swr.cn-north-4.myhuaweicloud.com/hw-zt-k8s-images/sklearnserver:demo-iris -f sklearn.Dockerfile .

上传到华为云镜像仓库

docker login swr.cn-north-4.myhuaweicloud.com
docker push swr.cn-north-4.myhuaweicloud.com/hw-zt-k8s-images/sklearnserver:demo-iris

创建一个 demo-iris-01.yaml 的应用文件

name: demo-iris-01
services:
 demo-iris:
 type: mpserver
 image: swr.cn-north-4.myhuaweicloud.com/hw-zt-k8s-images/sklearnserver:demo-iris
 ports: [8080]
 cpu:  200m 
 memory:  250Mi 
 httproute:
 gateways: [external-gateway]
 hosts: [demo-iris.rcmd.testing.mpengine]
 servernamespace: rcmd
 serverport: 8080
 hpa:
 min: 1
 max: 1
 cpuPercent: 60

因为这里使用的是 rcmd 命名空间，在创建的时候需要切换，可以通过 vela dashboard 通过可视化界面创建一个 rcmd 命名空间的环境：

vela dashboard

成功后可以通过 vela env 查看:

$ vela env ls
NAME CURRENT NAMESPACE EMAIL DOMAIN
default default
rcmd * rcmd

在云原生环境运行应用

$ vela up -f demo-iris-01.yaml
Parsing vela appfile ...
Load Template ...
Rendering configs for service (demo-iris)...
Writing deploy config to (.vela/deploy.yaml)
Applying application ...
Checking if app has been deployed...
App has not been deployed, creating a new deployment...
? App has been deployed ????????????
 Port forward: vela port-forward demo-iris-01
 SSH: vela exec demo-iris-01
 Logging: vela logs demo-iris-01
 App status: vela status demo-iris-01
 Service status: vela status demo-iris-01 --svc demo-iris

测试

部署好后可以测试：

$ curl -i -d  {instances :[[5.1, 3.5, 1.4, 0.2]]}  -H  Content-Type: application/json  -X POST demo-iris.rcmd.testing.mpengine:8000/v1/models/model:predict
{predictions : [0]}

实现说明 kfserver 开发算法 server

kfserver 提供了多种常用框架的 server，比如 sklearn, lgb, xgb, pytorch 等多种服务的 server 框架，kfserver 基于 tornado 框架进行开发，其提供了模型加载，接口健康检测，预测及参考解释等多个抽象接口，详细见 kfserving/kfserving/kfserver.py:

...
def create_application(self):
 return tornado.web.Application([
 # Server Liveness API returns 200 if server is alive.
 (r / , LivenessHandler),
 (r /v2/health/live , LivenessHandler),
 (r /v1/models ,
 ListHandler, dict(models=self.registered_models)),
 (r /v2/models ,
 ListHandler, dict(models=self.registered_models)),
 # Model Health API returns 200 if model is ready to serve.
 (r /v1/models/([a-zA-Z0-9_-]+) ,
 HealthHandler, dict(models=self.registered_models)),
 (r /v2/models/([a-zA-Z0-9_-]+)/status ,
 HealthHandler, dict(models=self.registered_models)),
 (r /v1/models/([a-zA-Z0-9_-]+):predict ,
 PredictHandler, dict(models=self.registered_models)),
 (r /v2/models/([a-zA-Z0-9_-]+)/infer ,
 PredictHandler, dict(models=self.registered_models)),
 (r /v1/models/([a-zA-Z0-9_-]+):explain ,
 ExplainHandler, dict(models=self.registered_models)),
 (r /v2/models/([a-zA-Z0-9_-]+)/explain ,
 ExplainHandler, dict(models=self.registered_models)),
 (r /v2/repository/models/([a-zA-Z0-9_-]+)/load ,
 LoadHandler, dict(models=self.registered_models)),
 (r /v2/repository/models/([a-zA-Z0-9_-]+)/unload ,
 UnloadHandler, dict(models=self.registered_models)),
 ])
...

这里我们使用的 sklearn server 的案例主要实现了 predict 接口：

import kfserving
import joblib
import numpy as np
import os
from typing import Dict
MODEL_BASENAME =  model 
MODEL_EXTENSIONS = [.joblib ,  .pkl ,  .pickle]

class SKLearnModel(kfserving.KFModel): # pylint:disable=c-extension-no-member
 def __init__(self, name: str, model_dir: str):
 super().__init__(name)
 self.name = name
 self.model_dir = model_dir
 self.ready = False
 def load(self) -  bool:
 model_path = kfserving.Storage.download(self.model_dir)
 paths = [os.path.join(model_path, MODEL_BASENAME + model_extension)
 for model_extension in MODEL_EXTENSIONS]
 for path in paths:
 if os.path.exists(path):
 self._model = joblib.load(path)
 self.ready = True
 break
 return self.ready
 def predict(self, request: Dict) -  Dict:
 instances = request[instances]
 try:
 inputs = np.array(instances)
 except Exception as e:
 raise Exception(  Failed to initialize NumPy array from inputs: %s, %s  % (e, instances))
 try:
 result = self._model.predict(inputs).tolist()
 return {predictions : result}
 except Exception as e:
 raise Exception(Failed to predict %s  % e)

上述内容就是基于 OAM 和 kfserving 如何实现通用化云原生模型应用部署，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注丸趣 TV 行业资讯频道。

正文完