微眾銀行開發的全球首個工業級聯邦學習開源框架 FATE 升級 v1.1！特別支援雲上部署

作為聯邦學習全球首個工業級開源框架，FATE 在近日釋出的 v1.1 版本中，不僅上線了橫向聯邦學習通用演算法框架，增加了DNN、迴歸等多個聯邦演算法，並開始支援多方縱向聯邦建模，支援spark引擎，支援FATEServing服務治理，支援secureboost線上預測等。

此外，FATE 還聯合 VMware 中國研發開放創新中心雲原生實驗室的團隊一起搞了個「大事」——支援在公有云和私有云中部署及使用，全容器化雲原生部署方案。

FATE 作為聯邦學習全球首個工業級開源框架，支援聯邦學習架構體系，為機器學習、深度學習、遷移學習提供了高效能聯邦學習機制，FATE 本身還支援多種多方安全計算協議，如同態加密、祕密共享、雜湊雜湊等，具有友好的跨域互動資訊管理方案。

在 10 月 31 日正式釋出的 FATE v1.1 版本中，FATE 聯合 VMware 中國研發開放創新中心雲原生實驗室的團隊一起搞了個「大事」——釋出了 KubeFATE 專案，通過把 FATE 的所有元件用容器的形式封裝，實現了使用 Docker Compose 或 Kubernetes（Helm Charts）來部署。

現代應用以 DevOps 方式開發，基於容器部署應用的優勢相當明顯，應用不僅可以無差別地執行在支援容器的平臺上，還可以按需靈活地實現多例項水平擴充套件。目前主流的雲平臺，如國外的 AWS，Azure，國內的阿里雲、騰訊雲等，都有基於容器和 Kubernetes 的雲原生服務，使得容器應用的部署和執行已經標準化和商品化。

換句話說，通過 KubeFATE 專案，開發者可以輕鬆地在公有云或私有云中部署和使用 FATE 專案。

該專案現已釋出在GitHub： https://github.com/FederatedAI/KubeFATE  

另外，本次FATE v1.1版本在演算法和功能基礎了進行重大升級和提升：

不僅上線了橫向聯邦學習通用演算法框架，增加了DNN、迴歸等多個聯邦演算法，並開始支援多方縱向聯邦建模，支援spark引擎，支援FATEServing服務治理，支援secureboost線上預測等。

具體更新詳情如下文所示。

FederatedML：提供易擴充套件的橫向演算法框架支援橫向演算法開發

在新版本中，FATE使開發更加輕鬆，開發者可以更關注於演算法具體本身，而將更多通用的通訊傳輸內容交給框架。FATE v1.1提供易擴充套件的橫向聯邦學習通用演算法框架，支援Secure Aggregation，通過封裝橫向聯邦學習的主要流程，開發者能夠簡單地實現橫向聯邦學習演算法。

在演算法方面，FATE新增了對橫向DNN、縱向線性迴歸、縱向泊松迴歸等聯邦演算法的支援，以及更多演算法支援多方聯邦建模，豐富了更多的建模場景，提升了FATE的實用性。

值得一提的是，線性迴歸在預測連續標籤等應用場景上非常有力，而泊松迴歸則能更好的協助開發者預測次數與頻率，如在購買保險和評估意外發生風險等場景裡，泊松迴歸都能對頻率進行預測。

 此外，從這一版本開始，FATE也正式開始支援多方縱向聯邦建模，可以實現縱向場景下的多個資料提供方共同訓練聯邦模型。

最後，FATE也對連線Spark進行了嘗試，FATE v1.1支援已有Spark叢集的開發者直接複用現有資源，可以選擇Spark作為計算引擎，根據實際情況靈活配置。

更多可前往GitHub瞭解： https://github.com/FederatedAI/FATE/tree/master/federatedml

FATEFlow：高效能聯邦學習Pipeline生產服務

FATEFlow是聯邦學習建模Pipeline 排程和生命週期管理工具，為使用者構建端到端的聯邦學習Pipeline生產服務。v1.1版本中，FATEFlow主要在穩定性及易用性上進行了提升，例如：

• 上傳下載檔案支援檢視作業狀態，對於大檔案和對接其他系統有較大幫助；

• 支援取消等待中的作業；

• 支援對作業設定超時時間；

• 優化作業日誌，統一存放於以作業ID命名的日誌資料夾，提高排查問題效率；

FATEBoard：簡單高效，聯邦學習建模過程視覺化

FATEBoard是聯邦學習建模的視覺化工具，為終端使用者視覺化和度量模型訓練的全過程，幫助使用者更簡單而高效地進行模型探索和模型理解。新版本中，job工作流展示進一步優化，並支援元件資料與模型的輸入輸出埠分離，提供更直觀的資料傳輸與模型傳輸展示；

另外，現已支援模型訓練過程中的評估結果視覺化，便於實時關注與跟蹤中間訓練過程和結果；更提供secureboost樹模型的視覺化展示，不僅可以清晰地觀測模型中每顆決策樹，還能檢視不同標籤下的樹模型。

FATEServing：服務治理，重啟自動恢復模型

在新版本中，模型載入成功後會在本地檔案中儲存，在重啟之後會從本地檔案中恢復之前載入的模型。

此外，v1.1版本引入zookeeper作為註冊中心，提供了有限的服務治理功能，能夠動態的註冊grpc介面，在某些機器當機的情況下，能夠自動的切換流量 。

KubeFATE：FATE部署能力升級

FATE v1.1版本提供打包好的Docker容器映象，大大降低FATE的使用門檻，避免開發者“倒在起跑線上”。如果是企業開發者，還可以發現離線部署FATE的能力也得到了提升，藉助 Harbor 開源容器映象倉庫，可以自動同步網上的映象，為運維減壓。

KubeFATE主要提供了Docker compose和Kubernetes（Helm Chart）兩種部署方式。

• Docker-Compose可以將FATE的所有元件部署在單個節點中，並且支援多個合作方的部署。開發者無需編譯程式碼，可使用Docker compose迅速搭建測試環境。當前Docker compose可將FATE部署在一個或多個節點中，有利於開發者對FATE功能的熟悉和了解。

• Docker-Compose的單節點部署方式定位於測試。在生產環境中，往往需要多節點部署，此時採用Kubernetes的方式更佳。KubeFATE提供了Helm Charts來把FATE部署到Kubernetes方法，可在支援Kubernetes的雲上直接部署FATE，並且可以按照需求定製部署的細節，例如把計算模組部署在有GPU的節點上等等。

Harbor是開源映象倉庫，提供映象的訪問控制、遠端同步、安全漏洞掃描等強大能力，國內的使用者絕大部分使用Harbor管理映象。KubeFATE專案將Harbor整合到其中，可提供本地映象管理能力，無需依賴Docker Hub等雲服務，大大提高了效率和安全性。此外，Harbor還能複製遠端的映象，可把映象在公有云或資料中心之間雙向複製，遇到故障可自動恢復，從而簡化運維複雜度。 

總的來說，FATE v1.1版本增加了多個聯邦演算法的支援，為聯邦學習建模帶來更豐富更強大的功能，同時聯合VMware推出KubeFATE，簡化FATE使用門檻，對初接觸開發者更為友好。團隊也歡迎對聯邦學習有興趣的同仁一起貢獻程式碼，提交 Issues 或者 Pull Requests。

詳情可查閱 FATE官網專案貢獻者指南： https://fate.fedai.org/contribute/

https://www.leiphone.com/news/201911/HOO6jQ17pvidisYq.html

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/69946223/viewspace-2665111/，如需轉載，請註明出處，否則將追究法律責任。