视频教程

公有云，单机，多机，多集群，分布式存储，私有仓库，gpu，功能初步验证

配置文件所在地

本地调试时：(启动方式:install/docker/目录下执行docker-compose up)

• k8s集群的config文件：在install/docker/kubeconfig/下面
• 配置文件config.py文件：在install/docker/config.py中
• 启动文件entrypoint.sh文件：在install/docker/entrypoint.sh中

线上部署时：(启动方式：install/kubernetes/目录下执行 kubectl apply -k cube/overlays）

• k8s集群的config文件：在install/kubernetes/kubeconfig/下面
• 配置文件config.py文件：在install/kubernetes/cube/overlays/config/config.py中
• 启动文件entrypoint.sh文件：在install/kubernetes/cube/overlays/config/entrypoint.sh中

机器标签管理

机器通过label进行管理，所有的调度机器由平台控制，不由用户直接控制。

开发训练服务机器管理：

• 对于cpu的train/notebook/service会选择cpu=true的机器
• 对于gpu的train/notebook/service会选择gpu=true的机器
• 对于vgpu的service会选择vgpu=true的机器
• 对于rdma网络的pod会选择rdma=true的机器
• 训练任务会选择train=true的机器
• notebook会选择notebook=true的机器
• 服务化会选择service=true的机器
• 不同资源组的任务会选择对应org=xx的机器。默认为org=public
• 可以通过gpu-type=xx表示gpu的型号，比如gpu-type=V100或gpu-type=T4，在配置gpu算力时也可以同步配置gpu型号。例如2(T4)表示2张T4卡。

控制器机器管理：

• mysql=true 部署mysql服务的机器
• redis=true 部署mysql服务的机器
• kubeflow-dashobard=true 部署cube服务的机器
• kubeflow=true 部署kubeflow的机器
• isito=true 部署istio的机器
• monitoring=true 部署prometheus的机器

单集群多机

实现原理：

1、单机完成控制组件部署

2、集群扩容

基础准备：主机/data/k8s目录下需为分布式存储

1、初始化机器

在新机器上只需要拉取rancher镜像

cd install/kubernetes/rancher
python3 all_image.py > pull_rancher_images.sh
sh pull_rancher_images.sh

在新机器上只需要拉取cube-studio镜像

cd install/kubernetes/
bash init_node.sh

2、添加k8s，只需要worker角色

在rancher界面，将新机器加入rancher集群，新机器只需要为worker，并且为机器添加label。

操作路径：打开单机时创建的集群-> 点击节点菜单->编辑集群->底部复制加入集群命令。在新机器上执行复制的命令即可

3、 为机器添加标签

service=true train=true notebook=true org=public cpu=true # 按需 gpu=true # 按需 gpu-type=A100 # 按需

3、分布式存储

目前机器学习平台依赖强io性能的分布式存储。

参考分布式存储部署

！！！重要：分布式文件系统需要挂载到每台机器的/data/k8s/下面，当然也可以挂载其他目录下，以软链的形式链接到/data/k8s/下 （如果使用juicefs，则不需要这一步）

需要每台机器都有对应的目录/data/k8s为分布式存储目录（如果使用juicefs，则不需要这一步）

mkdir -p /data/k8s/kubeflow/minio  
mkdir -p /data/k8s/kubeflow/global  
mkdir -p /data/k8s/kubeflow/pipeline/workspace  
mkdir -p /data/k8s/kubeflow/pipeline/archives  

平台pvc会使用这些分布式存储目录下的subpath，所以如果你是rancher部署k8s集群，需要在kubelet容器中挂载主机的/data/k8s/目录到kubelet容器的/data/k8s/目录。

rancher修改kubelet容器挂载目录(选中集群-升级-编辑yaml)

    kubelet:
      extra_binds:
        - '/data/k8s:/data/k8s'

多集群

实现原理：

在每个集群完成平台部署。但仅保留其中一个web端。web端所在集群我们成为主集群，其他为远程集群。

现在新集群上部署k8s和cube-studio

1、远程k8s集群卸载非必要组件

# 删除web
kubectl delete -k cube/overlays
# 删除mysql和redis
kubectl delete -f redis/redis.yaml
kubectl delete -f mysql/deploy.yaml
# 删除labelstudio
kubectl delete -f labelstudio/postgresql.yaml
kubectl delete -f labelstudio/labelstudio.yaml

2、修改远程k8s集群分布式存储配置

如果想主k8s集群和远程k8s集群使用相同的分布式存储，需要将同一个分布式存储挂载到主k8s集群和从k8s集群的主机的/data/k8s目录下

挂载相同分布式存储后，为新的k8s集群中的prometheus创建新的分布式存储目录

# 创建新k8s集群的监控存储目录
mkdir -p /data/k8s/monitoring/prometheus-cluster2
chmod -R 777 /data/k8s/monitoring/prometheus-cluster2
# 修改新k8s集群的prometheus的pv
kubectl delete -f cube-studio/install/kubernetes/prometheus/prometheus/prometheus-main.yml
kubectl delete pvc -n monitoring prometheus-k8s-db-prometheus-k8s-0
kubectl delete -f cube-studio/install/kubernetes/prometheus/prometheus/pv-pvc-hostpath.yaml

修改cube-studio/install/kubernetes/prometheus/prometheus/pv-pvc-hostpath.yaml
将pv存储地址/data/k8s/monitoring/prometheus 改为 /data/k8s/monitoring/prometheus-cluster2
然后重新部署新k8s集群中的prometheus
kubectl create -f cube-studio/install/kubernetes/prometheus/prometheus/pv-pvc-hostpath.yaml
kubectl create -f cube-studio/install/kubernetes/prometheus/prometheus/prometheus-main.yml

3、添加配置文件

3.1、需要把在主k8s集群的install/kubernetes/kubeconfig目录下面粘贴远程k8s集群的config文件，并规范命名，比如有个远程k8s集群，这里起名为dev1集群，那么将config文件粘贴到install/kubernetes/kubeconfig/dev1-kubeconfig中

在主k8s集群生成新的kubeconfig配置项

cd install/kubernetes

kubectl delete configmap kubernetes-config -n infra
kubectl create configmap kubernetes-config --from-file=kubeconfig -n infra

kubectl delete configmap kubernetes-config -n pipeline
kubectl create configmap kubernetes-config --from-file=kubeconfig -n pipeline

kubectl delete configmap kubernetes-config -n automl
kubectl create configmap kubernetes-config --from-file=kubeconfig -n automl

3.2、修改config.py配置文件：

# 所有训练集群的信息
CLUSTERS={
    # 和project expand里面的名称一致
    "dev":{
        "NAME":"dev",
        "KUBECONFIG":'/home/myapp/kubeconfig/dev-kubeconfig',
        "HOST": 'xx.xx.xx.xx',   
        # "SERVICE_DOMAIN": 'service.remote.com'    # 泛域名
    },
    "dev1":{
        "NAME": "dev1",
        "KUBECONFIG": '/home/myapp/kubeconfig/dev1-kubeconfig',
        "HOST": 'xx.xx.xx.xx',
        # "SERVICE_DOMAIN": 'service.remote.com'    # 泛域名
  }
}

config.py文件更新到k8s可以使用

kubectl delete -k cube/overlays
kubectl apply -k cube/overlays

或者直接线上修改infra/kubeflow-dashboard-config-xx这个configmap，修改后再重启infra/kubeflow-dashboard*相关的pod

然后就可以在整体资源界面看到不同集群的资源使用情况了。

这样cube就可以调度多个k8s集群了，但是还需要在项目中指定当前项目组下面的notebook/pipeline/service在哪个k8s集群调度。需要在项目组的扩展参数中添加

{
  "cluster": "dev1"
}

3.3、添加新集群的watch组件

复制infra/kubeflow-watch 的 deployment，修改名称和环境变量ENVIRONMENT为新k8s集群的名称

3.4、仓库秘钥重新生成

建议重新保存一遍仓库中的秘钥，因为保存秘钥的动作会在所有的k8s集群相关命名空间下创建对应的hubescret

多资源组

每个k8s集群的算力都可以划分为多个资源组。这些划分是通过机器label来实现的。

为机器添加标签org=xx其中xx为资源组名称，

添加机器标签后，在项目组中添加资源组配置为上面的xx，然后保存项目组配置后，该项目组下的成员就会自动使用这一波资源组算力了。

单集群多项目组算力均衡

多项目组之间的算力的均衡通过schedules.py中的adjust_node_resource任务实现。

基本原则是每5分钟，将可共享的机器(lable包含share=true)，从当前负载最小的项目组划分到负载最高的项目组，同时保证项目组的最小可用算力