[转] - Weiflow——微博机器学习框架

Weiflow——微博机器学习框架

本文从开发效率（易用性）、可扩展性、执行效率三个方面，介绍了微博机器学习框架Weiflow在微博的应用和最佳实践。

在上期《基于Spark的大规模机器学习在微博的应用》一文中我们提到，在机器学习流中，模型训练只是其中耗时最短的一环。如果把机器学习流比作烹饪，那么模型训练就是最后翻炒的过程；烹饪的大部分时间实际上都花在了食材、佐料的挑选，洗菜、择菜，食材再加工（切丁、切块、过油、预热）等步骤。在微博的机器学习流中，原始样本生成、数据处理、特征工程、训练样本生成、模型后期的测试、评估等步骤所需要投入的时间和精力，占据了整个流程的80%之多。如何能够高效地端到端进行机器学习流的开发，如何能够根据线上的反馈及时地选取高区分度特征，对模型进行优化，验证模型的有效性，加速模型迭代效率，满足线上的要求，都是我们需要解决的问题。

Weiflow的诞生源自于微博机器学习流的业务需求，在微博的机器学习流图中（如图1所示），多种数据流（如发博流、曝光流、互动流）经过Spark Streaming、Storm的实时处理，存储至特征工程并生成离线的原始样本。在离线系统，根据业务人员的开发经验，对原始样本进行各式各样的数据处理（统计、清洗、过滤、采样等）、特征处理、特征映射，从而生成可训练的训练样本；业务人员根据实际业务场景（排序、推荐），选择不同的算法模型（LR、GBDT、频繁项集、SVM、DNN等），进行模型训练、预测、测试和评估；待模型迭代满足要求后，通过自动部署将模型文件和映射规则部署到线上。线上系统根据模型文件和映射规则，从特征工程中拉取相关的特征值，并根据映射规则进行预处理，生成可用于预测的样本格式，进行线上的实时预测，最终将预测的结果（用户对微博内容的兴趣程度）输出，供线上服务调用。

图1 微博机器学习流图
图1 微博机器学习流图
Weiflow的设计初衷就是将微博机器学习流的开发简单化、傻瓜化，让业务开发人员从纷繁复杂的数据处理、特征工程、模型工程中解脱出来，将宝贵的时间和精力投入到业务场景的开发和优化当中，彻底解放业务人员的生产力，大幅提升开发效率。

考虑到微博业务场景越来越复杂、多样的趋势，Weiflow在设计之初就充分考虑并权衡了框架的开发效率、可扩展性和执行效率。Weiflow通过统一格式的配置文件式开发（XML流程文件），允许业务人员像搭积木一样灵活地将需要用到的模块（数据处理、特征映射、生成训练样本、模型的训练、预测、测试、评估等）堆叠到一起，根据依赖关系形成计算流图（Directed Acyclic Graph有向无环图），Weiflow将自动解析不同模块之间的依赖关系，并调用每个模型的执行类进行流水线式的作业。对于每一个计算模块，用户无需关心其内部实现、执行效率，只需关心与业务开发相关的参数调优，如算法的超参数、数据采样率、采样方式、特征映射规则、数据统计方式、数据清洗规则等等，从而大幅提升开发效率、模型迭代速度。为了让更多的开发者（包括具有代码能力的业务人员）能够参与到Weiflow的开发中来，Weiflow设计并提供了丰富的多层次抽象，基于预定义的基类和接口，允许开发者根据新的业务需求实现自己的处理模块（如新的算法模型训练、预测、评估模块）、计算函数（如复杂的特征计算公式、特征组合函数等），从而不断丰富、扩展Weiflow的功能。在框架的执行效率方面，在第二层DAG中（后面将详细介绍Weiflow的双层DAG结构），充分利用各种计算引擎（Spark、Tensorflow、Hive、Storm、Flink等）的优化机制，同时结合巧妙的数据结构设计与开发语言（如Scala的Currying、Partial Functions等）本身的特性，保证框架在提供足够的灵活性和近乎无限的可扩展性的基础上，尽可能地提升执行性能。

为了应对微博多样的计算环境（Spark、Tensorflow、Hive、Storm、Flink等），Weiflow采用了双层的DAG任务流设计，如图2所示。

图2 Weiflow双层DAG任务流设计
图2 Weiflow双层DAG任务流设计
外层的DAG由不同的node构成，每一个node具备独立的执行环境，即上文提及的Spark、Tensorflow、Hive、Storm、Flink等计算引擎。外层DAG设计的初衷是让最合适的锤子去敲击最适合的钉子，大多数计算引擎因其设计阶段的历史局限性，都很难做到兼顾所有的工作负载类型，而是在不同程度上更好地支持某些负载（如批处理、流式实时处理、即时查询、分析型数据仓库、机器学习、图计算、交易型数据库等），因此我们的思路是让用户选择最适合自己业务负载的计算引擎。内层的DAG，根据计算引擎的不同，利用引擎的特性与优化机制，实现不同的抽象作为DAG中计算模块之间数据交互的载体。例如在Spark node中，我们会充分挖掘并利用Spark已有的优化策略和数据结构，如Datasets、Dataframe、Tungsten、Whole Stage Code Generation，并将Dataframe作为Spark node内DAG数据流的载体。在每一个node内部，根据其在DAG中上下游的位置，提供了三种操作类型的抽象，即Input、Process、Output。Input基类定义了Spark node中输入数据的格式、读取和解析规范，用户可以根据Spark支持的数据源，创建各种格式的Input，如图2中示例的Parquet、Orc、Json、Text、CSV。当然用户也可以定义自己的输入格式，如图2中示例的Libsvm。在微博的机器学习模型训练中，有一部分场景是需要Libsvm格式数据作为训练样本，用户可以通过实现Input中定义的规范和接口，实现Libsvm格式数据的读入模块。通过Input读入的数据会被封装为Dataframe，传递给下游的Process类处理模块。Process基类定义了用户计算逻辑的通用规范和接口，通过实现Process基类中的函数，开发者可以灵活地实现自己的计算逻辑，如图2中示例的数据统计、清洗、过滤、组合、采样、转换等，与机器学习相关的模型训练、预测、测试等步骤，都可以在Process环节实现。通过Process处理的数据，依然被封装为Dataframe，并传递给下游的Output类处理模块。Output类将Process类传递的数据进一步处理，如模型评估、输出数据存储、模型文件存储、输出AUC等，最终将结果以不同的方式（磁盘存储、屏幕打印等）输出。需要指出的是，凡是Input支持的数据读入格式，Output都有对应的存储格式支持，从而形成逻辑上的闭环。

在使用方面，业务人员根据事先约定好的规范和格式，将双层DAG的计算逻辑定义在XML配置文件中。依据用户在XML指定的依赖关系和处理模块类，Weiflow将自动生成DAG任务流图，并在运行时阶段调用处理模块的实现类来完成用户指定的任务流。代码1展示了微博应用广泛的GBDT＋LR模型训练流程的开发示例（由于篇幅有限，示例中只保留了第一个node的细节），代码1示例的训练流程所构成的双层DAG依赖及任务流图如图3所示。通过在XML配置文件中将所需计算模块按照依赖关系（外层的node依赖关系与内层的计算逻辑依赖关系）堆叠，即可以搭积木的方式完成配置化、模块化的流水线作业开发。

GBDTtraining</
node>
GBDTplusLR

com.weibo.datasys.
dataflow.input.InputSparkText
hdfs://path/of/your/
data
/path/of/your/meta</
metaPath>
\t</
fieldDelimiter>

com.weibo.
datasys.dataflow.process.
ProcessSparkGBDTTraining
input1
gbdt.data.conf

com.weibo.datasys.
dataflow.output.OutputSparkGBDTModel</
className>
process1</
dependency>
hdfs://path/of/your/
data

代码1 用Weiflow完成微博GBDT+LR模型训练流程
图3 Weiflow中微博GBDT+LR模型训练流程的双层DAG依赖关系及任务流图
图3 Weiflow中微博GBDT+LR模型训练流程的双层DAG依赖关系及任务流图
通过灵活的模块化开发，业务人员大幅提升了机器学习、数据科学作业的效率。随着微博的业务场景越来越复杂，业务需求也呈多样化的发展趋势，为了让更多的开发者灵活地扩展Weiflow的功能，Weiflow在设计之初便充分考量了框架的可扩展性。Weiflow通过多层次、模块化的抽象，提供近乎无限的扩展能力。

多层次的抽象是为了满足DAG外层计算引擎（上文提及的Spark、Tensorflow、Hive、Storm、Flink等）的可扩展性，通过Top level abstraction提供的高度抽象定义，DAG外层的各个计算引擎只需继承Top level抽象中定义的属性和方法，即可实现对计算引擎层面抽象的实现。如图4所示，黑色文本框中的Top level abstraction提供了多个抽象Base，蓝色文本框中不同的执行引擎通过继承其属性和方法，提供更加具体的抽象实现。当有新的计算引擎（如Apache Flink）需要添加至Weiflow时，用户只需将新定义的计算引擎类继承Top level的抽象类，即可提供该引擎的抽象实现。

模块化的抽象是从业务处理的角度出发，从业务需求中抽象出基础、通用的模块概念，进而定义这些基本模块的基础属性和基础方法。如图4所示各文本框中分别定义、继承、实现了四大基础模块，即Node、Input、Process和Output。Node基础类定义了计算引擎相关的基础属性，如数据流通媒介、执行环境、运行时数据流方式、运行参数抽象等。Input基础类为计算引擎定义了该引擎内支持的所有输入类型，如Spark引擎中支持Parquet、Orc、Json、CSV、Text等，并将输入类型转换为数据流通媒介（如Spark执行引擎的Dataframe、RDD）。在Weiflow的实现过程中（后文将详细介绍Weiflow实现与优化的最佳实践），每个node内部的模块实现都充分利用了现有引擎的数据结构与优化机制，如在Spark node中，我们充分利用了Spark原生支持的功能（如对各种数据源的支持）和性能优化（如Tungsten优化机制、二进制数据结构、Whole Stage Code Generation等）。例如在Input基础类中，我们通过Spark原生数据源的支持，提供了多种压缩、纯文本格式的输入供用户选择。通过实现Input基础类中定义的对象和方法，开发者可以灵活地实现业务所需的数据格式，如前文提及的Libsvm格式。Process基础类囊括了所有业务处理逻辑，在实现方面，同样利用了所在引擎所提供的各种原生支持。如在Spark node中，通过Spark SQL或Dataframe DSL（Domain Specific Language）可以轻松地实现大部分处理逻辑，如数据统计、清洗、过滤、联接等操作。当开发者需要实现新的业务逻辑时，如对数据按比例进行向上、向下采样，只需继承Process基础类中定义的属性和方法，充分利用Spark Dataframe和RDD的开放API，将采样的具体实现封装到既定的接口内，即可完成开发，进而扩展Weiflow功能，供业务人员使用。与Input相对应，Output基础类定义了Weiflow在计算引擎内的各种数据格式的输出，提供了与Input相对应的接口，如Input提供了read接口，Output则提供了write接口，形成逻辑层面的闭环。

通过Weiflow多层次、模块化的抽象机制，开发者可以轻松地在执行引擎和业务功能方面进行扩展，从而满足不断变化的业务需求。前文提到，自2016年以来，微博业务步入了二次繁荣，微博的业务呈多样、复杂的发展趋势，用户、博文、互动相关的数据呈爆炸式增长，机器学习规模化的挑战迫在眉睫。为了满足微博机器学习规模化的需求，Weiflow在设计之初就充分考虑到实现中的执行效率问题。

图4 Weiflow开放API的抽象层次
图4 Weiflow开放API的抽象层次
Weiflow在实现方面分别从语言特性、数据结构、引擎优化等几个方面考虑，优化任务执行性能。考虑到Scala函数式编程语言的灵活性、丰富算子、超高的开发效率及其并发能力，Weiflow框架的主干代码和Spark node部分业务实现都采用Scala来实现。

对于业务人员来说，XML配置开发文件即是Weiflow的入口。Weiflow通过Scala的XML内置模块对用户提供的XML文件进行解析并生成相应的数据结构，如DAG node，模块间依赖关系等。在成功解析各模块的依赖关系后，Weiflow通过Scala语言的懒值特性和Call By Name机制，将依赖关系转化为DAG网络图，并通过调用Output实现类中提供的Action函数（Output.write），触发整个DAG网络的回溯执行。在回溯执行阶段，Weiflow调取用户XML文件中提供的实现类，通过Scala语言提供的反射机制，在运行时生成实现类对象，完成计算逻辑的执行。

在执行效率方面，Weiflow充分利用了Scala的语言特性来大幅提升整体执行性能。在微博的大部分机器学习应用场景中，需要利用各种处理函数（如log10、hash、特征组合、公式计算等）将原始特征映射到高维特征空间。其中一部分复杂函数（如pickcat，根据字符串列表反查字符串索引）需要多个输入参数。这类函数首先通过第一个参数，如pickcat函数所需的字符串列表（在规模化机器学习应用中会变得异常巨大），生成预定义的数据结构，然后通过第二个参数反查该数据结构，并返回其在数据结构中的索引。对于这样的需求，如果采用传统编程语言中的函数来实现，将带来巨大的计算开销。处理函数被定义后，通过闭包发送到各执行节点（如Spark中的Executor），在执行节点遍历数据时，该函数将每次执行读取第一个字符串列表参数、生成特定数据结构的任务；然后读取第二个字符串参数，反查数据结构并返回索引。但业务人员真正关心的是第二个参数所返回的索引值，无需每次遍历数据都运行生成数据结构的任务，因此该函数在执行节点的运行带来大量不必要的计算开销。然而通过Scala语言中的Currying特性，可以很容地解决上述问题。在Scala中，函数为一等公民，且所有函数均为对象。通过将pickcat函数柯里化，将pickcat处理第一个参数的过程封装为另一个函数（pickcat_），然后将该函数通过闭包发送到执行节点，执行引擎在遍历数据时，其所见的函数pickcat_将只接收一个参数，也即原函数pickcat的第二个参数，然后处理反查索引的计算即可。当然，柯里化只是Scala函数式编程语言丰富的特性之一，其他特性诸如Partial functions、Case class、Pattern matching、Function chain等都被应用到了Weiflow的实现之中。

在数据结构的设计和选择上，Weiflow的实现经历了从简单粗暴到精雕细琢的变迁。在Weiflow的初期版本中，因为当时还没有遇到规模化计算的挑战，出于开发效率的考虑，数据结构大量采用了不可变长数组，此时并未遇到任何性能瓶颈。但当Weiflow承载大规模计算时，执行性能几乎无法容忍。经过排查发现，原因在于特征映射过程中，存在大量根据数据字典，反查数据值索引的需求，如上文提及的pickcat函数。面对千万级、亿级待检索数据，当数据字典以不可变长数组存储时，通过数据值反查索引的时间复杂度显而易见。后来通过调整数据字典结构，对多种数据结构进行对比、测试，最终将不可变长数组替换为HashMap，解决了反查索引的性能问题。在特征映射之后的生成Libsvm格式样本阶段中，也大量使用了数组数据结构，以稠密数组的方式实现了Libsvm数据值的存储。当特征空间维度上升到十亿、百亿级时，几乎无法正常完成生成样本的任务。通过仔细的分析业务场景发现，几乎所有的特征空间都是极其稀疏的，以10亿维的特征空间为例，其特征稀疏度通常都在千、万级别，将特征空间以稠密矩阵的方式存储和计算，无疑是巨大的浪费。最后通过将稠密矩阵替换为稀疏矩阵，解决了这一性能问题。

表1 采用Weiflow前后开发效率、可扩展性和执行效率的量化对比
表1 采用Weiflow前后开发效率、可扩展性和执行效率的量化对比
前文提到过，在Weiflow的双层DAG设计中，内存的DAG实现会充分地利用执行引擎已有的特性来提升执行性能。以Spark为例，在Weiflow的业务模块实现部分，充分利用了Spark的各种性能优化技巧，如Map Partitions、Broadcast variables、Dataframe、Aggregate By Key、Filter and Coalesce、Data Salting等。

经过多个方面的性能优化，Weiflow在执行效率方面已经完全能够胜任微博机器学习规模化的需求，如表1中所示对比，Weiflow优化后执行性能提升6倍以上。表1中同时列举了Weiflow在开发效率、易用性、可扩展性方面的优势和提升。

本文从开发效率（易用性）、可扩展性、执行效率三个方面，介绍了微博机器学习框架Weiflow在微博的应用和最佳实践，希望能够对读者提供有益的参考。