阅读(448) (0)

PyTorch 远程参考协议

2020-09-11 09:40:42 更新
原文: https://pytorch.org/docs/stable/notes/rref.html

警告

RRef API 是实验性的,随时可能更改。

本说明描述了远程引用协议的设计细节,并逐步介绍了不同情况下的消息流。 在继续之前,请确保您熟悉分布式 RPC 框架。

背景

RRef 代表远程参考。 它是位于本地或远程工作人员上的对象的引用,并且透明地在内部进行引用计数。 从概念上讲,它可以视为分布式共享指针。 应用程序可以通过调用 remote() 创建 RRef。 每个 RRef 都由 remote() 呼叫的被调用方工作者(即所有者)拥有,并且可以由多个用户使用。 所有者存储实际数据,并跟踪全局参考计数。 每个 RRef 可以由全局RRefId唯一标识,该全局RRefId在创建时在 remote() 调用的调用方上分配。

在所有者工作程序中,只有一个OwnerRRef实例包含真实数据,而在用户工作程序中,可以根据需要包含任意数量的UserRRefs,而UserRRef不保存数据。 所有者上的所有用法都将使用全局唯一的RRefId来检索唯一的OwnerRRef实例。 在 rpc_sync() , rpc_async() 或  remote() 调用中将UserRRef用作参数或返回值时,将创建该UserRRef 将会根据更新的参考计数通知所有者。 如果全局没有UserRRef实例,并且所有者上也没有对OwnerRRef的引用,则OwnerRRef及其数据将被删除。

假设条件

RRef 协议的设计基于以下假设。

  • 瞬态网络故障:RRef 设计旨在通过重试消息来处理瞬态网络故障。 节点崩溃或永久性网络分区超出了范围。 当这些事件发生时,该应用程序可能会关闭所有工作人员,还原到先前的检查点,然后恢复训练。
  • 非幂等 UDF :我们假设提供给 rpc_sync() , rpc_async() 或  remote() 的用户功能(UDF) 不是幂等的,因此无法重试。 但是,内部 RRef 控制消息将成为幂等且可重试。
  • 消息传递无序:我们不假定任何一对节点之间的消息传递顺序,因为发送者和接收者都使用多个线程。 无法保证首先处理哪个消息。

RRef 生命周期

该协议的目标是在适当的时候删除OwnerRRef。 删除OwnerRRef的正确时机是在没有活动UserRRef实例且用户代码也没有保存对OwnerRRef的引用的情况下。 棘手的部分是确定是否存在任何活动的UserRRef实例。

设计推理

用户可以在以下三种情况下获得UserRRef

  1. 从所有者那里收到了UserRRef
  2. 接收到另一个用户的UserRRef
  3. 创建另一个工人拥有的新UserRRef

情况 1 是最简单的,所有者将其 RRef 传递给用户,所有者调用 rpc_sync() , rpc_async() 或  remote() 使用其 RRef 作为参数。 在这种情况下,将在用户上创建一个新的UserRRef。 由于所有者是调用者,因此可以轻松地在OwnerRRef上更新其本地引用计数。

唯一的要求是任何UserRRef必须在销毁时通知所有者。 因此,我们需要第一个保证:

G1。 删除任何“ UserRRef”时,都会通知所有者。

由于邮件可能会延迟或出现乱序,因此我们还需要一项保证,以确保删除邮件不会过早处理。 如果 A 向 B 发送涉及 RRef 的消息,我们将 A 上的 RRef 称为父 RRef,将 B 上的 RRef 称为子 RRef。

G2。 在所有者确认子 RRef 之前,不会删除父 RRef。

在情况 2 和 3 中,所有者可能仅对 RRef 分支图有部分了解或根本不了解。 例如,可以在用户上构建 RRef,并且在所有者收到任何 RPC 调用之前,创建者用户可能已经与其他用户共享了 RRef,并且这些用户可以进一步共享 RRef。 一个不变性是,任何 RRef 的派生图始终都是一棵树,因为派生 RRef 总是在被调用方上创建一个新的UserRRef实例(除非被调用方是所有者),因此每个 RRef 都有一个父级。

所有者对树中任何UserRRef的视图分为三个阶段:

1) unknown -> 2) known -> 3) deleted.

所有者对整棵树的看法不断变化。 拥有者认为没有活动的UserRRef实例时,即删除OwnerRRef实例时,所有UserRRef实例都可能确实被删除或未知,因此所有者删除了其OwnerRRef实例。 危险的情况是某些分叉未知,而另一些被删除。

G2 简单地保证在拥有者知道其所有子级UserRRef实例之前,不能删除任何父级UserRRef。 但是,有可能在拥有者知道其父项UserRRef之前删除了子项UserRRef。

考虑下面的示例,其中OwnerRRef分支到 A,然后 A 分支到 Y,Y 分支到 Z:

OwnerRRef -> A -> Y -> Z

如果所有者在处理所有来自 Z 的消息(包括删除消息)之前先处理来自 Y 的所有消息,那么所有者将在知道 Y 之前就知道 Z 的删除。但这不会造成任何问题。 因为,Y 的祖先中至少有一个还活着(在本例中为 A),这将阻止所有者删除OwnerRRef。 更具体地说,如果所有者不知道 Y,则由于 G2 而无法删除 A,并且所有者知道 A,因为所有者是 A 的父母。

如果在用户上创建 RRef,事情会变得有些棘手:

OwnerRRef
    ^
    |
    A -> Y -> Z

如果 Z 在UserRRef上调用 to_here() ,则所有者至少知道删除 Z 时的 A,否则, to_here() 不会结束。 如果 Z 没有调用 to_here() ,则所有者可能在从 A 和 Y 发送任何消息之前就已从 Z 接收了所有消息。在这种情况下,由于尚未获得OwnerRRef的真实数据 创建后,也没有要删除的内容。 就像 Z 根本不存在一样。 因此,仍然可以。

实作

G1 通过在UserRRef析构函数中发送删除消息来实现。 为了提供 G2 ,无论何时将父级UserRRef派生,都将其置于上下文中,并由新的ForkId对其进行索引。 仅当父级UserRRef从子级收到确认消息(ACK)时,才会从上下文中删除该父级UserRRef,并且只有当所有者确认后,该子级才会发出 ACK。

协议方案

现在,让我们讨论以上设计如何在四种情况下转换为协议。

用户与所有者共享 RRef 作为返回值

import torch
import torch.distributed.rpc as rpc


## on worker A
rref = rpc.remote('B', torch.add, args=(torch.ones(2), 1))
## say the rref has RRefId 100 and ForkId 1
rref.to_here()

在这种情况下,在用户工作程序 A 上创建UserRRef,然后将其与远程消息一起传递给所有者工作程序 B,然后 B 创建OwnerRRef。 方法 remote() 立即返回,这意味着UserRRef可以在所有者了解之前被分叉/使用。

在所有者上,当接收到 remote() 调用时,它将创建OwnerRRef,并返回一个 ACK 来确认{100, 1}(RRefIdForkId)。 仅在收到此 ACK 后,A 才能删除其UserRRef。 这涉及 G1 和 G2 。 G1 很明显。 对于 G2 而言,OwnerRRefUserRRef的子级,并且UserRRef直到收到所有者的 ACK 才被删除。

69164772-98181300-0abe-11ea-93a7-9ad9f757cd94

上图显示了消息流,其中实心箭头包含用户功能,而虚线箭头是内置消息。 请注意,从 A 到 B 的前两个消息 (remote() 和 to_here())可以按任何顺序到达 B,但最终的删除消息仅在以下情况下发送: :

  • B 确认UserRRef {100, 1}(G2),并且
  • Python GC 同意删除本地UserRRef实例。 当 RRef 不再在范围内并且可以进行垃圾回收时,就会发生这种情况。

用户与所有者共享 RRef 作为参数

import torch
import torch.distributed.rpc as rpc


## on worker A and worker B
def func(rref):
  pass


## on worker A
rref = rpc.remote('B', torch.add, args=(torch.ones(2), 1))
## say the rref has RRefId 100 and ForkId 1
rpc.rpc_async('B', func, args=(rref, ))

在这种情况下,在 A 上创建UserRRef后,A 会将其用作对 B 的后续 RPC 调用中的参数。A 将使UserRRef {100, 1}保持活动状态,直到收到 B 的确认 (G2 , 而不是 RPC 调用的返回值)。 这是必要的,因为在接收到所有先前的消息之前,A 不应发出删除消息,否则,OwnerRRef可以在使用前删除,因为我们不能保证消息的传递顺序。 这是通过创建 RRef 的子项ForkId并将其保存在地图中,直到收到所有者确认该子项ForkId来完成的。 下图显示了消息流。

c1371430ddbab7ab675302304e355fbe

注意,UserRRef可以在功能完成甚至启动之前在 B 上删除。 但是,这是可以的,因为在 B 向子ForkId发送 ACK 时,它已经获取了OwnerRRef实例,这将防止它被过早删除。

所有者与用户共享 RRef

所有者对用户是最简单的情况,所有者可以在本地更新引用计数,并且不需要任何其他控制消息即可通知其他人。 关于 G2 ,因为父级是所有者,所以它与父级立即从所有者接收 ACK 相同。

import torch
import torch.distributed.rpc as RRef, rpc


## on worker B and worker C
def func(rref):
  pass


## on worker B, creating a local RRef
rref = RRef("data")
## say the rref has RRefId 100
dist.rpc_async('C', func, args=(rref, ))

be5a281cb2ccf82807ad37e4f10301d5

上图显示了消息流。 请注意,当在 rpc_async 调用之后OwnerRRef退出作用域时,将不会删除它,因为如果存在任何已知的派生,则内部会存在一个使它保持活动状态的映射,在这种情况下为UserRRef {100, 1}。 (G2 )

用户与用户共享 RRef

这是最复杂的情​​况,其中调用者用户(父级UserRRef),被调用者用户(子级UserRRef)和所有者都需要参与。

import torch
import torch.distributed.rpc as rpc


## on worker A and worker C
def func(rref):
  pass


## on worker A
rref = rpc.remote('B', torch.add, args=(torch.ones(2), 1))
## say the rref has RRefId 100 and ForkId 1
rpc.rpc_async('C', func, args=(rref, ))

a960200c1f9b4dc5de7d62042fa066c8

当 C 从 A 接收到子项UserRRef时,它向所有者 B 发送一个派生请求。稍后,当 B 确认 C 上的UserRRef时,C 将并行执行两个操作:1)发送子项 ACK 到 A,然后 2)运行用户提供的功能。 在这段时间中,亲本(A)将保持其UserRRef {100, 1}存活以实现 G2 。