容器、微服務、深度學習和阿里雲
今年去參加Qcon上海2016開發者大會，發現大家都在講容器、微服務、深度學習這些高階的東西，所以抓緊時間學習和總結了一下，給大家吹吹牛，算是不虛此行吧。
容器
基於Linux核心中的Control Groups和namespace技術，對執行的程式做隔離和控制。Linux核心還在不斷創新中，《Unix 環境高階程式設計》沒有包含這些新技術，所以很多人對此一無所知。
不同於一般的虛擬化技術，在host中可以看到容器裡面執行的程式。image和container的關係就像是可執行程式和程式的關係。
22957 ? Sl 0:00 | \_ docker-containerd-shim 9f4669fd46ab076cca3b71d67f697b1e9768e351bc40be3a85fa4e02eb92720a /var/run/docker/libcontainerd/9f4669fd46ab076cca3b
22971 pts/4 Ss 0:00 | | \_ sh -c service ssh start; bash
23029 ? Ss 0:00 | | \_ /usr/sbin/sshd
23032 pts/4 S+ 0:00 | | \_ bash
23593 ? Sl 29:49 | | \_ /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_datanode -Xmx1000m -Djava.net.preferIPv4Stack=true -Dhadoop.log.dir=/usr/local/h
24149 ? Sl 36:09 | | \_ /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_nodemanager -Xmx1000m -Dhadoop.log.dir=/usr/local/hadoop/logs -Dyarn.log.dir=/us
23065 ? Sl 0:00 | \_ docker-containerd-shim 1262b62afcac0c41ede4c28484a9697246e67c87c3945c1dd16cff3319689514 /var/run/docker/libcontainerd/1262b62afcac0c41ede4
23079 pts/5 Ss 0:00 | | \_ sh -c service ssh start; bash
23138 ? Ss 0:00 | | \_ /usr/sbin/sshd
23141 pts/5 S+ 0:00 | | \_ bash
23591 ? Sl 29:02 | | \_ /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_datanode -Xmx1000m -Djava.net.preferIPv4Stack=true -Dhadoop.log.dir=/usr/local/h
24167 ? Sl 35:48 | | \_ /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_nodemanager -Xmx1000m -Dhadoop.log.dir=/usr/local/hadoop/logs -Dyarn.log.dir=/us但是容器看不到host和別的容器的資訊。
root@hadoop-master:~# ps xf
PID TTY STAT TIME COMMAND
579 ? Sl 0:08 /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_resourcemanager -Xmx1000m -Dhadoo
120 ? Ss 0:00 bash
904 ? R+ 0:00 \_ ps xf
93 ? Ss+ 0:00 bash
1 ? Ss 0:00 sh -c service ssh start; bash
31 ? Ss 0:00 /usr/sbin/sshd
34 ? S+ 0:00 bash
239 ? Sl 0:05 /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_namenode -Xmx1000m -Djava.net.pre
428 ? Sl 0:03 /usr/lib/jvm/java-7-openjdk-amd64/bin/java -Dproc_secondarynamenode -Xmx1000m -Djav有了docker，學習真的是一件很容易的事情。比如要搭建一個多節點的Hadoop叢集，社群早有人做好了映象，pull下來就能跑得飛起。參考文章：基於Docker搭建Hadoop叢集之升級版。例子中建立了三個容器，一個master（跑yarn），兩個slave（跑dfs），這樣就有了一個三節點的叢集，然後把Hadoop叢集跑起來。
還有比這更簡單的Hadoop搭建的學習環境嗎？
root@hadoop-master:~# ./run-wordcount.sh
16/11/08 12:28:32 INFO client.RMProxy: Connecting to ResourceManager at hadoop-master/172.20.0.2:8032
16/11/08 12:28:33 INFO input.FileInputFormat: Total input paths to process : 2
16/11/08 12:28:33 INFO mapreduce.JobSubmitter: number of splits:2
16/11/08 12:28:33 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1478607997885_0001
16/11/08 12:28:34 INFO impl.YarnClientImpl: Submitted application application_1478607997885_0001
16/11/08 12:28:34 INFO mapreduce.Job: The url to track the job: http://hadoop-master:8088/proxy/application_1478607997885_0001/
16/11/08 12:28:34 INFO mapreduce.Job: Running job: job_1478607997885_0001
16/11/08 12:28:43 INFO mapreduce.Job: Job job_1478607997885_0001 running in uber mode : false
16/11/08 12:28:43 INFO mapreduce.Job: map 0% reduce 0%
16/11/08 12:28:52 INFO mapreduce.Job: map 50% reduce 0%
16/11/08 12:28:53 INFO mapreduce.Job: map 100% reduce 0%
16/11/08 12:28:59 INFO mapreduce.Job: map 100% reduce 100%
16/11/08 12:28:59 INFO mapreduce.Job: Job job_1478607997885_0001 completed successfully
16/11/08 12:28:59 INFO mapreduce.Job: Counters: 49
File System Counters
FILE: Number of bytes read=56
FILE: Number of bytes written=352398
FILE: Number of read operations=0
FILE: Number of large read operations=0
FILE: Number of write operations=0
HDFS: Number of bytes read=258
HDFS: Number of bytes written=26
HDFS: Number of read operations=9
HDFS: Number of large read operations=0
HDFS: Number of write operations=2
Job Counters
Launched map tasks=2
Launched reduce tasks=1
Data-local map tasks=2
Total time spent by all maps in occupied slots (ms)=14221
Total time spent by all reduces in occupied slots (ms)=4203
Total time spent by all map tasks (ms)=14221
Total time spent by all reduce tasks (ms)=4203
Total vcore-milliseconds taken by all map tasks=14221
Total vcore-milliseconds taken by all reduce tasks=4203
Total megabyte-milliseconds taken by all map tasks=14562304
Total megabyte-milliseconds taken by all reduce tasks=4303872
Map-Reduce Framework
Map input records=2
Map output records=4
Map output bytes=42
Map output materialized bytes=62
Input split bytes=232
Combine input records=4
Combine output records=4
Reduce input groups=3
Reduce shuffle bytes=62
Reduce input records=4
Reduce output records=3
Spilled Records=8
Shuffled Maps =2
Failed Shuffles=0
Merged Map outputs=2
GC time elapsed (ms)=141
CPU time spent (ms)=1450
Physical memory (bytes) snapshot=798035968
Virtual memory (bytes) snapshot=2619658240
Total committed heap usage (bytes)=509607936
Shuffle Errors
BAD_ID=0
CONNECTION=0
IO_ERROR=0
WRONG_LENGTH=0
WRONG_MAP=0
WRONG_REDUCE=0
File Input Format Counters
Bytes Read=26
File Output Format Counters
Bytes Written=26
input file1.txt:
Hello Hadoop
input file2.txt:
Hello Docker
wordcount output:
Docker 1
Hadoop 1
Hello 2aufs(Advanced multi layered unification filesystem)也是相當有意思。
~# docker pull xuyecan/ubuntu-shadowsocks
Using default tag: latest
latest: Pulling from xuyecan/ubuntu-shadowsocks
bf5d46315322: Already exists
9f13e0ac480c: Already exists
e8988b5b3097: Already exists
40af181810e7: Already exists
e6f7c7e5c03e: Already exists
64995ac659ee: Pull complete
Digest: sha256:0cfb5275581be3e6a5cce3f230ff9c3ef714f3c9291b76eb41e2f47d7362a994
Status: Downloaded newer image for xuyecan/ubuntu-shadowsocks:latestDocker for Mac
Mac上使用Docker也是非常簡單的呢。首先下載並安裝https://download.docker.com/mac/stable/Docker.dmg，然後把App啟動起來。因為官方源比較慢，可以配置一下阿里雲的映象：https://imuewcw.mirror.acs.aliyun.com。
配置完成之後，點選下方Apply & Restart就好了。以前想要在Linux環境下測試一些東西可麻煩了，現在有了Docker for Mac，在Mac上拉一個Ubuntu，用起來真的很方便。
[~]$ docker images
REPOSITORY TAG IMAGE ID CREATED SIZE
nginx latest 05a60462f8ba 5 days ago 181.5 MB
ubuntu latest f753707788c5 4 weeks ago 127.2 MB
[~]$ docker run -ti f753707788c5
root@76cb78b38af5:/# cat /etc/*release
DISTRIB_ID=Ubuntu
DISTRIB_RELEASE=16.04
DISTRIB_CODENAME=xenial
DISTRIB_DESCRIPTION="Ubuntu 16.04.1 LTS"
NAME="Ubuntu"
VERSION="16.04.1 LTS (Xenial Xerus)"
ID=ubuntu
ID_LIKE=debian
PRETTY_NAME="Ubuntu 16.04.1 LTS"
VERSION_ID="16.04"
HOME_URL="http://www.ubuntu.com/"
SUPPORT_URL="http://help.ubuntu.com/"
BUG_REPORT_URL="http://bugs.launchpad.net/ubuntu/"
UBUNTU_CODENAME=xenialCoreOS
CoreOS是一個非常極端的Linux發行版，它沒有傳統的包管理系統，比如yum和apt-get，完全使用docker來做包管理。比如要使用gcc，那麼需要去pull一個gcc的image，然後通過目錄貢獻的方式來編譯程式碼。
CoreOS自帶了fleet做服務的管理，fleet大大方便了運維同學管理服務。CoreOS fleet之初體驗這篇文章通過一個demo較好地講述了fleet的使用。
阿里雲與時俱進，也提供CoreOS映象。
微服務
這篇文章：微服務實戰（一）：微服務架構的優勢與不足總結得非常到位。
再附上同參加Qcon的一位同事的理解：2016上海Qcon大會–我所看到的微服務。
深度學習
AWS 首席雲端計算技術顧問的AWS 首席雲端計算技術顧問介紹了一下深度學習的歷史及如何搭建環境。
騰訊孫子荀分享的新媒體與深度學習給我留下了深刻的印象。通過深度學習給出適合每個人的最佳推送時間、合理裁切圖片、分析文章質量等等。
目前有很多優秀的深度學習框架，比如Google開源的TensorFlow，被廣泛應用於各種場景。其實我也想總結點啥，但是實在說不出來，大家自行去學習莫煩 tensorflow 神經網路 教程吧，這個TensorFlow的系列教程很贊。
Jupyter & TensorBoard對於初學者很有用。
阿里雲
阿里雲對容器有豐富的支援，包括Docker Registry、容器服務、HPC等等。阿里雲使用Docker Swarm做服務編排。
輕鬆利用現有ECS例項大家容器服務叢集。
更是有大量關於TensorFlow的文章。
本系列將利用Docker和阿里雲容器服務，幫助您上手TensorFlow的機器學習方案
第一篇：打造TensorFlow的實驗環境
第二篇：輕鬆搭建TensorFlow Serving叢集
第三篇：打通TensorFlow持續訓練鏈路
服務編排
使用者只關心自己的服務，至於服務如何跑起來，併發和容錯就要交給編排工具去做了。目前比較流行的編排工具有Docker Swarm、Google Kubernetes、Apache Mesos。（據我所知，搜尋團隊用的是自己開發的Hippo）
- 通過基於Docker搭建單機版Mesos/Marathon這篇文章，可以理解一下Mesos的基本原理及使用。
- 通過映象建立 Nginx介紹瞭如何使用阿里雲容器服務建立Nginx應用，可以瞭解一下Docker Swarm。把Nginx服務執行起來之後，可以到相應的機器上檢視到對應的container。
root@cbb4515a0d85e4014b0a37d455793a89e-node1:~# docker ps -a | grep nginx
556348917c43 nginx:latest "nginx -g `daemon off" 2 weeks ago Exited (0) 2 minutes ago nginx_nginx_1推薦資料
- 書籍：《Docker技術入門與實踐》，連結：Docker — 從入門到實踐。
- 阿里雲容器服務文件。
- 雲棲社群有很多關於容器、深度學習、阿里雲容器服務的相關文章，值得閱讀。
- Mesos
- TensorFlow 官方文件中文版
相關文章
- 微服務設計學習（一）關於微服務和如何建模服務微服務
- go微服務框架go-micro深度學習(三) Registry服務的註冊和發現Go微服務框架深度學習
- 華為雲容器和微服務是什麼？微服務
- go微服務框架go-micro深度學習(二) 入門例子Go微服務框架深度學習
- 微服務學習系列篇微服務
- 學習筆記 - 微服務筆記微服務
- ABP微服務系列學習-使用Tye啟動微服務微服務
- 用於HPC和深度學習工作負載的容器技術深度學習負載
- 小墨學習記--微服務微服務
- 微服務學習與思考(04)：微服務技術體系微服務
- 使用深度學習庫DJL和Spring Boot在微服務中實現機器學習 - idk.dev深度學習Spring Boot微服務機器學習dev
- ABP微服務系列學習-搭建自己的微服務結構（一）微服務
- ABP微服務系列學習-搭建自己的微服務結構（三）微服務
- 『高階篇』docker容器來說微服務導學（一）Docker微服務
- go微服務框架go-micro深度學習(一) 整體架構介紹Go微服務框架深度學習架構
- go微服務框架go-micro深度學習(五) stream 呼叫過程詳解Go微服務框架深度學習
- 微服務學習計劃——SpringCloud微服務SpringGCCloud
- 學習微服務三-SpringBoot微服務Spring Boot
- 微服務、容器與持續交付微服務
- 網易蜂巢：基於容器和微服務迭代加速實踐微服務
- 容器、微服務和網際網路架構淺談微服務架構
- 容器和微服務是如何改變了安全性微服務
- 微服務學習與思考(03)：微服務總體架構圖解微服務架構圖解
- Docker學習之搭建MySql容器服務DockerMySql
- 微服務容器部署與持續整合微服務
- 微服務架構之「 容器技術 」微服務架構
- SpringCloudAlibaba微服務docker容器打包和部署示例實戰SpringGCCloud微服務Docker
- 第2章 實現突破——持續部署、微服務和容器微服務
- 深度學習（一）深度學習學習資料深度學習
- go微服務框架go-micro深度學習(四) rpc方法呼叫過程詳解Go微服務框架深度學習RPC
- 機械學習和深度學習的區別深度學習
- Laravel 學習筆記 —— 神奇的服務容器Laravel筆記
- 微服務學習計劃——訊息佇列微服務佇列
- ABP微服務系列學習-對接前端介面微服務前端
- 學習Spring Cloud與微服務之路三SpringCloud微服務
- 容器監控—阿里雲&容器內部服務監控阿里
- 阿里雲基於Docker的HPC深度學習應用阿里Docker深度學習
- 微服務效率工具 goctl 深度解析（上）微服務Go