12月18日，深圳 - 腾讯大数据宣布推出面向机器学习的第三代高性能计算平台——Angel，并预计于2017年一季度开放其源代码，鼓励业界工程师、学者和技术人员大规模学习使用，激发机器学习领域的更多创新应用与良好生态发展。

InfoQ采访了腾讯大数据负责人蒋杰，本文根据采访稿件以及姚星和蒋杰在腾讯大数据技术峰会暨 KDD China 技术峰会上的演讲内容整理而来。

研发背景

  腾讯公司是一家消息平台+数字内容的公司，本质上也是一家大数据公司，每天产生数千亿的收发消息，超过10亿的分享图片，高峰期间百亿的收发红包。每天产生的看新闻、听音乐、看视频的流量峰值高达数十T。这么大的数据量，处理和使用上，首先业务上存在三大痛点：

  第一，需要具备T/P级的数据处理能力，几十亿、百亿级的数据量，基本上30分钟就要能算出来。

  第二，成本需低，可以使用很普通的PC Server，就能达到以前小型机一样的效果；

  第三，容灾方面，原来只要有机器宕机，业务的数据肯定就有影响，各种报表、数据查询，都会受到影响。

  其次是需要融合所有产品平台的数据的能力。“以前的各产品的数据都是分散在各自的DB里面的，是一个个数据孤岛，现在，需要以用户为中心，建成了十亿用户量级、每个用户万维特征的用户画像体系。以前的用户画像，只有十几个维度主要就是用户的一些基础属性，比如年龄、性别、地域等，构建一次要耗费很多天，数据都是按月更新”。

  另外就是需要解决速度和效率方面的问题，以前的数据平台“数据是离线的，任务计算是离线的，实时性差”。

  “所以，我们必须要建设一个能支持超大规模数据集的一套系统，能满足billion级别的维度的数据训练，而且，这个系统必须能满足我们现网应用需求的一个工业级的系统。它能解决big data，以及big model的需求，它既能做数据并行，也能做模型并行。”

  经过7年的不断发展，历经了三代大数据平台：第一代DTW(腾讯分布式数据仓库),到基于Spark融合Storm的第二代实时计算架构，到现在形成了第三代的平台，核心为Angel的高性能计算平台。

  Angel项目在2014年开始准备，15年初正式启动，刚启动只有4个人，后来逐步壮大。项目跟北京大学和香港科技大学合作，一共有6个博士生加入到腾讯大数据开发团队。目前在系统、算法、配套生态等方面开发的人员，测试和运维，以及产品策划及运维，团队超过30人。

  Angel平台是使用Java和Scala混合开发的机器学习框架，用户可以像用Spark, MapReduce一样，用它来完成机器学习的模型训练。

  Angel采用参数服务器架构，支持十亿级别维度的模型训练。采用了多种业界最新技术和腾讯自主研发技术，如SSP（Stale synchronous Parallel）、异步分布式SGD、多线程参数共享模式HogWild、网络带宽流量调度算法、计算和网络请求流水化、参数更新索引和训练数据预处理方案等。

  这些技术使Angel性能大幅提高，达到常见开源系统Spark的数倍到数十倍，能在千万到十亿级的特征维度条件下运行。

  自今年初在腾讯内部上线以来，Angel已应用于腾讯视频、腾讯社交广告及用户画像挖掘等精准推荐业务。未来还将不断拓展应用场景，目标是支持腾讯等企业级大规模机器学习任务。

腾讯为何要选择自研？

  首先需要一个满足十亿级维度的工业级的机器学习平台，蒋杰表示当时有两种思路:一个是基于第二代平台的基础上做演进，解决大规模参数交换的问题。另外一个，就是新建设一个高性能的计算框架。

  当时有研究业内比较流行的几个产品：GraphLab，主要做图模型，容错差；Google的Distbelief，还没开源；还有CMU Eric Xing的Petuum，当时很火，不过它更多是一个实验室的产品，易用性和稳定性达不到要求。

  “其实在第二代，我们已经尝试自研，我们消息中间件，不论是高性能的，还是高可靠的版本，都是我们自研的。他们经历了腾讯亿万流量的考验，这也给了我们在自研方面很大的信心”。

  第三代高性能计算平台

  “同时，我们第三代的平台，还需要支持GPU深度学习，支持文本、语音、图像等非结构化的数据”。

Angel的整体架构

Angel架构图

  Angel是基于参数服务器的一个架构，整体架构上参考了谷歌的DistBelief。Angel在运算中支持BSP、SSP、ASP三种计算模型，其中SSP是由卡耐基梅隆大学EricXing在Petuum项目中验证的计算模型，能在机器学习的这种特定运算场景下提升缩短收敛时间。Angel支持数据并行及模型并行。

  在网络上有原创的尝试，使用了港科大杨强教授的团队做的诸葛弩来做网络调度，

  ParameterServer优先服务较慢的Worker，当模型较大时，能明显降低等待时间，任务总体耗时下降5%~15%。

  另外，Angel整体是跑在Gaia（Yarn）平台上面的。

  主要的模块有3个：

  Master：主控节点，负责资源申请和分配，以及任务的管理。

  ParameterServer：包含多个节点，可对参数进行横向扩展，解决参数汇总更新的单点瓶颈,支持BSP,SSP,ASP等多种计算模型，随着一个任务的启动而生成，任务结束而销毁，负责在该任务训练过程中的参数的更新和存储。

  WorkerGroup：一个WG包含多个Worker,WG内部实现模型并行，WG之间实现数据并行, 独立进程运行于Yarn的Container中。

  Angel已经支持了20多种不同算法，包括SGD、ADMM优化算法等，我们也开放比较简易的编程接口，用户也可以比较方便的编写自定义的算法，实现高效的ps模型。并提供了高效的向量及矩阵运算库（稀疏/稠密），方便了用户自由选择数据、参数的表达形式。在优化算法方面，Angel已实现了SGD、ADMM，并支持Latent DirichletAllocation (LDA)、MatrixFactorization (MF)、LogisticRegression (LR) 、Support Vector Machine(SVM) 等。

  Angel的优势包括几点：1、能高效支持超大规模（十亿）维度的数据训练；2、同样数据量下，比Spark、Petuum等其他的计算平台性能更好；3、有丰富的算法库及计算函数库，友好的编程接口，让用户像使用MR、Spark一样编程；4、丰富的配套生态，既有一体化的运营及开发门户，又能支持深度学习、图计算等等其他类型的机器学习框架，让用户在一个平台能开发多种类型的应用。

Angel做过哪些优化？

  Angel是基于参数服务器的一个架构，与其他平台相比，在性能上很多优化。首先，我们能支持BSP、SSP、ASP三种不同计算和参数更新模式，其次，我们支持模型并行，参数模型可以比较灵活进行切分。第三，我们有个服务补偿的机制，参数服务器优先服务较慢的节点，根据我们的测试结果，当模型较大时，能明显降低等待时间，任务总体耗时下降5%~15%。最后，我们在参数更新的性能方面，做了很多优化，比如对稀疏矩阵的0参数以及已收敛参数进行过滤，我们根据参数的不同数值类型进行不同算法的压缩，最大限度减少网络负载，我们还优化了参与获取与计算的顺序，边获取参数变计算，这样就能节省20-40%的计算时间。

  我们除了在性能方面进行深入的优化，在系统易用性上我们也做了很多改进。第一，我们提供很丰富的机器学习算法库，以及数学运算算法库；第二，我们提供很友好的高度抽象的编程接口，能跟Spark、MR对接，开发人员能像用MR、Spark一样编程；第三，我们提供了一体化的拖拽式的开发及运营门户，用户不需要编程或只需要很少的开发量就能完成算法训练；第四，我们内置数据切分、数据计算和模型划分的自动方案及参数自适应配置等功能，并屏蔽底层系统细节，用户可以很方便进行数据预处理；最后一点，Angel还能支持多种高纬度机器学习的场景，比如支持Spark的MLLib，支持Graph图计算、还支持深度学习如Torch和TensorFlow等业界主流的机器学习框架，提供计算加速。

Angel的性能项目测试结果

  同等数据量下的性能测试。Angel跟其他平台相比，比如Petuum，和spark等，在同等量级下的测试结果，Angel的性能要优于其他平台。比如用Netflix的数据跑的SGD算法，结果可以看上图中的对比。

  超大规模数据的训练测试。目前Angel支持了很多腾讯内部的现网业务。举两个例子，比如，在构建用户画像方面，以前都是基于Hadoop和Spark来做，跑一次模型要1天甚至几天，话题只有1k；而在Angel上，20多亿文档、几百万个词，3000亿的token，1个小时就跑完了。以前Spark能跑的，现在Angel快几十倍；以前Spark跑不了的，Angel也能轻松跑出来。

  大规模数据集的训练能力。例如腾讯视频的点击预测，同等数据量下，Angel的性能是Spark的44倍以上。用了Angel以后，维度从千万扩展到亿，训练时间从天缩短到半小时，而准确度也有很大的提升。

为什么开源？

  Angel不仅仅是一个只做并行计算的平台，它更是一个生态，我们围绕Angel，建立了一个小生态圈，它支持Spark之上的MLLib，支持上亿的维度的训练；我们也支持更复杂的图计算模型；同时支持Caffe、TensorFlow、Torch等深度学习框架，实现这些框架的多机多卡的应用场景。

  Angel的生态圈

  腾讯大数据平台来自开源的社区，受益于开源的社区中，所以我们自然而然地希望回馈社区。开源，让开放者和开发者都能受益，创造一个共建共赢的生态圈。在这里，开发者能节约学习和操作的时间，提升开发效率，去花时间想更好的创意，而开放者能受益于社区的力量，更快完善项目，构建一个更好的生态圈。

  我们目前希望能丰富Angel配套生态圈，进一步降低用户使用门槛，促进更多开发人员，包括学校与企业，参与共建Angel开源社区。而通过推动Angel的发展，最终能让更多用户能快速、轻松地建立有大规模计算能力的平台。

  我们一直都向社区做贡献，开放了很多源代码，培养了几个项目的committer，这种开放的脚步不会停止。

小结

  腾讯公司通过18年的发展今天已经成为了世界级的互联网公司。“在技术上，我们过去更加关注的是工程技术，也就是海量性能处理能力、海量数据存储能力、工程架构分布容灾能力。未来腾讯必将发展成为一家引领科技的互联网公司，我们将在大数据、核心算法等技术领域上进行积极的投入和布局，和合作伙伴共同推动互联网产业的发展。”

  受访嘉宾：蒋杰 国内知名大数据专家，CCF大数据专家委员会委员，ACM数据挖掘中国分会委员，拥有超过12年以上从业经验，在数据库、分布式架构、高性能计算、机器学习等方面积累了丰富经验。目前是腾讯首席数据专家、数据平台部总经理，全面负责腾讯数据业务。