EasyDL服务自动化生成与部署
EasyDL定制化训练和服务平台基于百度业界领先算法,旨在为用户量身定制业务专属AI模型。通过灵活的配置,用户可以将模型发布为公有云API、设备端离线SDK、本地服务器部署包、软硬一体方案等多种输出方式的AI服务。目前,EasyDL已支持基于图像、声音、文本、视频等文件形式的AI处理,已在工业、零售、金融、物流、互联网、安防监控等多个行业落地。本文将深入介绍EasyDL如何在保证模型服务质量的同时,即时响应用户实际生产环境的要求,完成自动化服务落地部署的全部流程。
服务自动化生成
EasyDL的每个功能服务,都包含为用户定制化训练的模型和配置,在EasyDL专业版中,模型服务还支持用户自定义的服务逻辑(包括预处理、预测、后处理等)。如此繁多的定制化功能,使得每个模型服务都不尽相同,需要具备自动化、可扩展的服务生成能力,才能在保证高质量的前提下缩短模型部署至生产环境的整体时间。为了实现EasyDL服务的自动化生成,我们构建了一条完整的流水线系统,经过编译、测试、加固、集成、发布等环节,最终实现交付。
![d13c305f8d7b58e25e11b8e9ab8dfe8e.png](https://i-blog.csdnimg.cn/blog_migrate/cd970e38399c9c75eba754c041bbe687.jpeg)
流程首先进入编译阶段。服务端代码由用户自定义代码、EasyDL mini-server、第三方库等多个模块组成,在编译时,mini-server负责对服务进行集成。一方面,mini-server完成了模型框架适配、第三方库集成等工作,提供了简单易用的模型预测服务;另一方面,mini-server提供了服务鉴权、模型加解密等功能,保证服务在公有云、私有云等开放场景部署的安全性。
在流水线上,我们配置了诸多测试环节,以保障服务质量。按服务集成前后之阶段不同,测试分为静态测试和集成测试两部分。完成编译后,就进入静态测试阶段。静态测试主要完成代码层面的测试,包括:单元测试、静态代码扫描、源码安全扫描等。在模型服务部署到集成环境后,则会完成回归测试、性能测试、服务安全检查等测试环节。
在需要进行端计算的场景中,EasyDL与百度大脑EasyEdge 端计算模型生成平台无缝对接,采用EasyEdge 的模型转换、适配和加速等基础组件,自动生成可用于设备端部署的 SDK。
在对EasyDL服务进行私有化部署交付时,为保证模型在传输及输出到公有云、私有云时的安全性,团队对EasyDL增加了安全加固和模型加密环节。例如,在安全加固环节中设置了代码混淆、可执行程序加固等,避免程序被逆向分析或动态调试。
而后,EasyDL会通过mini-server预制模板进行镜像制作,并在镜像制作完成后将服务部署到集成环境中。此时,只有通过所有集成测试的模型服务才能发布。选择私有化部署的模型则还要接入EasyPack私有部署支持平台,最终生成一键部署包交付用户使用。
服务自动化部署
EasyDL提供可一键发布模型的在线推理服务,用户可选择在EasyDL页面启动模型校验服务,或直接获取专属的高精度云端API接口。这一系列简单便捷的产品体验依托于EasyDL强大的自动化部署能力,使其能为用户的定制化AI需求提供一套完整的开发流程:支持模型快速上下线、弹性伸缩、升级与迁移,实现模型高并发、低延迟的在线推理,满足用户多版本模型在线无缝切换等。
![6db192c7404a0ee11ff9d7b1adf31efc.png](https://i-blog.csdnimg.cn/blog_migrate/413dd1ed8d714d35988f248ff2f3f9aa.jpeg)
服务管理方面,有别于数据库+业务逻辑的通用业务框架,定制化的深度学习应用通常由用户模型网络与推理框架构建而成。在各行业数据爆炸的今天,每秒产生的新数据都可能推动模型效果的提升,模型快速迭代意味着大量新服务的发布与频繁地服务变更。EasyDL模型服务管理构建于Kubernetes之上,自动装配用户定制化模型网络与推理框架,并创建服务访问端点,实现模型服务发现与自动负载均衡。自动化部署为每个模型服务分配多个容器实例,以保障良好的可用性。灵活的扩缩容操作能够快速满足大客户的并发调用需求。
资源管理方面,作为在线服务,推理框架须额外关注推理性能,在模型效果与性能不可兼得的情况下,服务有必要支持GPU、FPGA等异构计算资源。与通用业务应用不同的是,EasyDL设计中考虑到了计算密集型的AI应用对异构硬件的依赖,通过允许模型服务在CPU/GPU间快速无缝迁移,满足用户在不同情景下对模型预测速度的要求。同时,出于对资源利用率的考虑,EasyDL资源管理具备基于scale-to-zero的模型自动回收与唤醒机制,其通过挖掘历史调用量特征,对长期无调用的模型执行回收,并在新的请求到达时重新唤醒模型服务。
在基于数据学习的模型优化闭环中,用户常常须要更新模型并升级线上服务。借助EasyDL模型升级功能 ,用户能够轻松实现多个版本模型在线无缝切换。EasyDL的滚动发布和流量控制,使线上不同版本的模型能在升级期间平稳过渡,实现调用方流量零丢失。
EasyDL平台的模型管理功能涵盖了用户定制化模型数据源接入、元数据管理等组件,并面向容器统一提供模型挂载卷。模型数据源方面,目前已支持百度对象存储BOS、百度分布式文件系统AFS等多种持久化存储。在EasyDL的自动化部署流程中,模型管理为定制化模型提供缓存,使服务的多个容器实例能够快速完成定制化模型的装配,这一机制能够显著降低模型服务的部署时延。