# 【淬火重炼，岂止于快】超越XGBoost和Spark的Angel开源l
---
经过漫长的准备和打磨，新一代的Angel终于开源了。Github地址：[https://github.com/tencent/angel](https://github.com/tencent/angel)欢迎大家Star，Fork和提PR。新一代的Angel由**腾讯和北京大学**联合开发，兼顾业界的高可用性和学术界的创新性，欢迎**分布式架构师，算法工程师和数据科学家**一起深入使用和协同开发，激发机器学习领域更多的创新应用和良好生态。
作为一个高维度的分布式机器学习框架，Angel的第一次对外亮相是在去年的五月[^1]，并在去年12月份KDDChina大会上[^2]，宣布将全面进行开源。为了迎接对外开源，团队成员对Angel进行了多次重构和升级，可谓是淬火重炼。在此期间，Angel的架构反复改进，性能持续提升。开源前夕，它的性能已经超越了XGBoost和Spark。新一代的Angel，**性能更快，功能更强，开发更方便**。其改进主要集中在三方面：
***生态性**: 引入PSAgent，支持PS-Service，便于接入其它机器学习框架
***函数性**: 融合函数式编程特性，自定义psFunc，利于开发复杂算法
***灵活性**: 支持Spark-on-Angel，Spark无需修改内核，运行于PS模式之上
本文将从**架构**和**性能**两方面，对新一代Angel，做一个初步的介绍，让大家了解它的改进。关于更加具体和深入的介绍，还请移步[GitHub](https://github.com/tencent/angel)。
## 架构升级
---
### 1. PSService
在新一代的Angel开发中，我们对系统进行了一次重要的升级，引入了PSAgent，对PSServer的服务端进行隔离，从而提供了PS-Service的功能。升级后，系统的架构设计如下：
引入PSAgent后，PSClient不再直接和PSServer打交道了，而是通过PSAgent来沟通。作为新加的中间层PSAnget，有如下几个特性：
*对外屏蔽了PSServer中的**模型分片，路由以及模型重组**等复杂细节，提供了封装好的**模型操作**接口
*内置了**Hogwild!**机制，包含**模型缓存和模型预取**等性能优化
*提供了**模型缓存（Cache）**的**更新**和**合并**的功能，大大降低网络通信开销
PSAgent的引入，解耦了PSServer和Worker，使得Angel具备了PSService的能力。Angel的PSServer，不再只服务于Angel的Client，其它机器学习框架，只要实现AngelPSClient接口了，都能可以接入Angel。
> PSService的抽象，为Angel接入Spark和深度学习框架，从架构的层面上提供了便利
### 2. psFunc
标准Parameter Server功能之一，就是要提供Model的**拉取（pull/get）和推送（push/update）**。 很多早期PS，拿HBase，Redis等分布式存储系统，简单改改，进行模型的更新和获取，就搭建了一个简单的PS系统。
但实际应用中，算法对PSServer上的参数获取和更新，却远远不只这么简单，尤其是当复杂的算法需要实施一些特定的优化的时候，简单的PS系统，就完全不能应对这些需求了。
> 举个例子，有时候某些算法，要得到`矩阵模型`中某一行的最大值，如果PS系统，只有基本的Pull接口，那么PSClient，就只能先将该行的所有列，都从参数服务器上拉取回来，然后在Worker上计算得到最大值，这样会产生很多的网络通信开销，对性能会有影响。而如果我们有一个自定义函数，每个PSServer在远程先计算出n个局部最大值，再交换确认全局最大值，这时只要返回1个数值就可以了，这样的方式，计算开销接近，但通信开销将大大降低。
为了解决类似的问题，Angel引入和实现psFunc的概念，对远程模型的获取和更新的流程进行了封装和抽象。它也是一种用户自定义函数（UDF），但都和PS操作密切相关的，因此被成为**psFunc**，简称**psf**，整体架构如下：
> 随着psFunc的引入，模型的计算，也会发生在PSServer端。PSServer也将有一定的模型计算职责，而不是单纯的模型存储功能。合理的设计psFunc，将大大的加速算法的运行。
### 3. Spark on Angel
作为目前非常流行的分布式内存计算框架，**Spark**的核心概念是`RDD`，而`RDD`的关键特性之一，是其`不可变性`，它可以规避分布式环境下复杂的各种奇奇怪怪的并行问题，快速开发各种分布式数据处理算法。然而在机器学习的时代，这个设计反而制约了Spark的发展。因为机器学习的核心是`迭代`和`参数更新`，而RDD的不可变性，不适合参数反复多次更新的需求，因此诸多Spark机器学习算法的实现，非常的曲折和不直观。
现在，基于Angel提供的`PSService`和`psFunc`，Spark可以充分利用Angel的PS，用最小的修改代价，具备高速训练大模型的能力，写出更加优雅的机器学习算法代码。
Spark on Angel实现的基本架构设计如下：
可以看出，该实现非常灵活，它对Spark没有任何侵入式的修改，是一种插件式设计，因此完全兼容社区Spark，对原生Spark的程序不会有任何影响。它的基本执行流程如下
*启动SparkSession
*初始化PSContext，启动Angel的PSServer
*创建PSModelPool, 申请到PSVector
***核心调用：**在RDD的运算中，直接调用PSVector，进行模型更新。这将使得真正运行的Task，调用AngelPSClient，对远程PSServer进行操作。
*终止PSContext
*停止SparkSession
关于Spark on Angel的具体开发，可参考：[《Spark on Angel编程手册》](https://github.com/Tencent/angel/blob/branch-1.0.0/docs/programmers_guide/spark_on_angel_programing_guide.md)。在线上，基于真实的数据，我们对Spark on Angel和Spark的做了性能对比测试，结果如下：
| LR算法 | Spark | Spark on Angel | 加速比例 |
|---|---|---|---|
|SGD LR (step_size=0.05,maxIter=100) | 2.9 hour | 2.1 hour | 27.6% |
|L-BFGS LR (m=10, maxIter=50) | 2 hour | 1.3 hour | 35.0% |
|OWL-QN LR (m=10, maxIter=50) | 3.3 hour | 1.9 hour | 42.4% |
显而易见，Spark on Angel能轻松获得30%或更多的加速比，越复杂的算法和模型，性能提高的比例越大。虽然PSServer会耗费了额外的资源，但是比起**算法编写的便捷**和**性能的提升**，这是划算的。对于Spark的老用户，这是低成本切入Angel的一个途径，也是算法工程师基于Spark实现高难度算法的优雅姿势。
> Spark on Angel是Angel生态圈的第一个成员，后续会有更多基于PS-Service的框架接入，包括深度学习
## 性能优势
---
新版本的Angel，添加了诸多新功能，最终的目的，就是让算法工程师能更加从容地进行算法优化，融入更多的算法的Trick，让算法的性能，得到了一个飞跃的提升。
为了更加直观的看到性能差异，每个对比都在腾讯的机器学习平台TeslaML上，提供了工作流的链接，鹅厂工程师都可以观察到运行结果。
### **1.GBDT**
众所周知，XGBoost的强项之一，就是GBDT算法，性能飞快，使用简单，在众多算法比赛中，是选手们的最爱。尽管如此，Angel的GBDT算法，却还是超越了它，这是一个非常不错的性能背书。
***性能比较**
| 框架 | Worker | PS | 建立20棵树时间 |
|---|---|---|---|
| Angel | 50 个(内存：10G / Worker) | 10个 (内存：10G / PS) | 58 min |
| XGBoost | 50个 (内存：10G / Worker) | N/A | 2h 25 min |
***数据**：腾讯内部某性别预测数据集，3.3×10^5 特征，1.2×10^8 样本
***详细文档**：[GBDT on Angel](https://github.com/Tencent/angel/blob/branch-1.0.0/docs/algo/gbdt_on_angel.md )
### **2.LDA**
众所周知，LDA是一个非常消耗资源的主题模型算法，新一代的Angel，在LDA上的性能，不但超越了Spark，也已经超越了之前开源过的Petuum。（由于Petuum已经不开源多时，所以比对数据，这里就不再贴出了）
| 框架 | Worker | PS | 时间 |
|---|---|---|---|
| Angel | 20个(内存：8G/Worker) | 20个(内存：4G/PS) | 15min |
| Spark | 20个(内存：20G/Worker)| N/A | >300min |
***数据**：PubMED
***详细文档**:[LDA on Angel](https://github.com/Tencent/angel/blob/master/docs/algo/lda_on_angel.md)
### 3.GD-LR
LR是广告推荐中广泛应用的一个算法，Angel分别提供了利用Gradient Descent、ADMM两种优化方法计算的LR算法。这两种算法，无论是耗费的资源，还是性能、收敛速度，都远比原生的Spark实现优越。
***GD-LR**
| 框架 | Worker | PS | 迭代100次时间 |
|---|---|---|---|
| Angel |50个(内存:10G/Worker)| 20个(内存: 5G/PS) | 20min |
| Spark | 50个(内存:14G/Worker)| N/A | 145min |
***数据：**腾讯内部某推荐数据，5×10^7 特征，8×10^7 样本
***详细文档：**[LR on Angel](https://github.com/Tencent/angel/blob/branch-1.0.0/docs/algo/lr_on_angel.md)
***ADMM-LR**
| 框架 | Worker | PS | 收敛退出 |
|---|---|---|---|
| Angel |100个(内存:10G/Worker)| 50个(内存：5G/PS) | 27 min |
| Spark | 200个(内存:20G/Worker) | N/A | 145 min |
***数据：**腾讯内部某推荐数据，5千万特征，1亿样本
## 展望
-----
一把好的宝剑，经过千锤百炼，讲究的是刚柔并济，不但削铁如泥，也要有极好的韧性，百折不断。同样的，一个好的开源项目，也是如此。它不但需要有强大的功能和性能，也需要有良好的适配性，能形成好的生态。
超大样本和超高维度的机器学习，在腾讯的多个真实生产环境中，有着非常普遍的应用场景，这是Angel的切入点，但不是终点和约束，在未来，Angel还将深入到图计算和深度学习领域，借助开源的力量，做出更多的探索，无论是Wider还是Deeper的模型，Angel都希望能像天使一样，在多个机器学习框架上为它们提速，帮助业务提升效果。
## 参考资料
[^1]:[面向高维度的机器学习计算框架-Angel](http://data.qq.com/article?id=2972)
[^2]:[腾讯大数据第三代高性能计算平台-Angel](https://mp.weixin.qq.com/s?__biz=MzA3MDQ4MzQzMg==&mid=2665690569&idx=1&sn=4771de807a7ebe4a6d32edbda9223605&chksm=842bb94eb35c30581cc44e388b043fe35009807e6896f7c9b097831acca6a68e1e97a3160082&mpshare=1&scene=24&srcid=0616rnBd6b0tGp7Dxzk1HJSo&key=b10a7c153a57fbb9dc6ec9ef44a571c5f02d4baac3488f30f556e17fcbf531b83b89a5abe445ff1709963adaf90a5432984c3e4e1bead1cb675b7f65434b9f94efa553fbe8774e4f8364908b2e40b17b&ascene=0&uin=MTQ4OTIy&devicetype=iMac+MacBookPro11%2C4+OSX+OSX+10.11.6+build(15G1212)&version=12020810&nettype=WIFI&fontScale=100&pass_ticket=%2BZzpstZpbv0t%2BlQOxka2yD8BV5UzGorh8x2DInIIexE%3D)
