FATE联邦学习框架简易使用实践

一、开始

开始之前，先确保部署的FATE框架运行正常 （部署指南），可以使用官方的几个示例进行测试，若检查无误后，则可以开始正式使用。

二、框架基本流程

对于集群部署情况，先根据不同的部署方式，进入对应的框架环境内，如使用docker-compose部署，则先进入对应容器内：

docker exec -it confs-<party-id>_client_1 bash

在FATE框架中，在终端中使用 flow 命令执行FATE提交任务等相关操作。执行的任务会在FATEBoard中显示出来。训练模型的参数需要写在json文件中，下面进行介绍。

1.上传数据集

要训练任务，自然是要数据的，通过以下命令上传数据集：

flow data upload -c uploadconf.json

uploadconf.json的格式如下：

{
  "file": "housing_1_train.csv",
  "table_name": "homo_housing_1_train",
  "namespace": "homo_host_housing_train1",
  "head": 1,
  "partition": 16
}

注意其中的table_name以及namespace，在之后的两个json文件中，需要注意与之对应。

2.上传conf配置以及dsl配置

conf配置用于设置参与训练的节点方、具体算法的参数调整等。dsl文件则用于定义任务流水线形式。可以先查看官方的线性回归以及逻辑回归案例，在其基础上修改成自己想要的运行形式。

配置完成后，使用以下命令上传配置至框架系统中：

flow job submit -c xxxconf.json -d xxxdsl.json

此时，若以上配置均正确，则系统将会开始训练模型，等到FATEBoard内任务均显示success后则训练完成。

3.部署模型与加载

在提交conf和dsl文件后，终端内会输出模型的版本和id，通过以下命令部署模型：

flow model deploy --model-id <模型id> --model-version <模型版本>

修改加载模型的配置后，使用以下命令加载:

flow model load -c fateflow/examples/model/publish_load_model.json

修改绑定模型的配置后，使用以下命令绑定:

flow model bind -c fateflow/examples/model/bind_model_service.json

此时模型应该已经可以实际使用了，此时向{SERVING_SERVICE_IP}:8059/federation/v1/inference发送对应的参数，其将返回一个在线推理的结果：

$ curl -X POST -H 'Content-Type: application/json' -i 'http://192.168.7.2:8059/federation/v1/inference' --data '{
  "head": {
    "serviceId": "test"
  },
  "body": {
    "featureData": {
        "x0": 1.88669,
        "x1": -1.359293,
        "x2": 2.303601,
        "x3": 2.00137,
        "x4": 1.307686
    },
    "sendToRemoteFeatureData": {
        "phone_num": "122222222"
    }
  }
}'

output:

{"retcode":0,"retmsg":"","data":{"score":0.018025086161221948,"modelId":"guest#9999#arbiter-10000#guest-9999#host-10000#model","modelVersion":"202111240318516571130","timestamp":1637743473990},"flag":0}