ある機械学習システムをAWSからGCP/GKEに移行した話 / Machine Learning System Migration from AWS to GKE

Data Pipeline Casual Talk Vol.4
https://dpct.connpass.com/event/139163/

Transcript

1. ある機械学習システムを AWS からGCP/GKE に移行した話 Data Pipeline Casual Talk Vol.4 - 2019/09/30 @yukinagae
2. TL;DR AWS で動いている機械学習システムをGCP/GKE 化 した（まずAPI 部分のみ） GCP/GKE 化の理由 リリースサイクルの高速化 インフラコスト削減 ( リソース共有) 既存システムも徐々に移行していく予定 新システムは最初からGCP/GKE で構築 2
3. 自己紹介 永江悠紀 @yukinagae エムスリー株式会社 ソフトウェアエンジニア データエンジニア寄り。最近はレコメンド改善 などもやる 元々Java/Scala でサーバサイドの開発をやっていた 最近はGo + Python を触ることが多い クラウドはGCP 担当（※AWS わからないだけ） 3
4. システム移行の背景 エムスリーでは多くのシステムをオンプレもしく はAWS で構築している AI チームではすでに複数の機械学習システムを開 発・リリース済み（AWS ） ※詳しくは以下のスライドが詳しいです: エムスリーにおける機械学習活用事例と開発の効率化 https://speakerdeck.com/nishiba/emusuriniokeru-ji- jie-xue-xi-huo-yong-shi-li-tokai-fa-falsexiao-lu-hua 4
5. 多数のマイクロサービス 2 年間で20 をこえる機械学習システムをリリース 現在も増加中 すごいね！(´∀｀) 5
6. ポイント 1. システム数が多い 6
7. 今回の移行対象のシステム Cantor 記事などのコンテンツの関連度（類似度）を計 算するシステム ※おまけ: システム名はドイツの数学者のGeorg Cantor が由来 7
8. 既存システム構成（図） 8
9. 既存システムの課題① 現状のシステム構成だと、GCP/BigQuery → AWS と いうクラウドをまたいだ構成になってしまっている 9
10. ポイント 2. BigQuery とAWS の混在 10
11. 既存システムの課題② Cantor というシステム構成特有の課題: Lambda でもろもろ問題があった 15 分に一度バックエンドのECS が停止されてし まう（確率的にタイムアウトが発生） 11
12. 既存システムの課題③（※改善点） 簡単・頻繁にリリースしたい すぐリリースしたい（※カナリアリリース etc ） バグなどの際すぐ以前のバージョンに戻したい マイクロサービスの粒度のシステムが増えている ので各環境を用意するのは大変 運用や管理が面倒 インフラコストがかさむ 12
13. ポイント 3. どんどんリリースしたい 4. 運用・管理を楽にしたい 5. インフラコスト削減したい 13
14. 新システム構成の選択肢 AWS なら EC2 ECS EKS GCP なら Cloud Run GAE （ ex ） GCE GKE 14
15. 技術選定のポイントいろいろ インフラコスト 運用の手間 クラウドベンダーのサービスの成熟度やマイルス トーン ワークロードの特性 必要なリソース要件 チーム体制（例: 人数 / スキル / 学習コスト） 15
16. ポイントを振り返る 1. サービス数（API ）が多い 2. BigQuery とAWS の混在 3. どんどんリリースしたい 4. 運用・管理を楽にしたい 5. インフラコスト削減したい 16
17. GKE でいい感じに作れるのでは？ ( ｀・ω ・´) 17
18. 想定するメリット コスト削減 複数サービスをGKE で構築しリソース最適化 メンテナンスコストも削減（されるはず） リリースの高速化 オーダーメイドから量産体制へ terraform k8s 可用性も向上 全部GCP にできてBigQuery もにっこり(´∀｀) 18
19. 移行方針: どうやって移行するか？ 1. まずはAPI 部分（システムの一部）からの移行 2. 段階的にすべてを移行していく まずはAPI 部分からの移行を実施 影響範囲を小さくしたい API だけなら最悪どうにでもなる もともとのAWS ヘの切り戻しも容易 機械学習部分をいきなり移行してデグレったら 嫌だよね(/ ･ω ･)/ 汗 19
20. 移行後の構成（API 部分のみ） 20
21. GKE からCloud SQL に接続 Cloud SQL Proxy で別GCP プロジェクトのDB に接 続する構成（マイクロサービス的な構成） 原理的にPrivate IP で直で接続するより当然遅い Cloud SQL Proxy にした場合にどれくらい遅くなる かは簡易的に検証（※当然実環境とは異なるが） medium 記事: https://medium.com/google-cloud- jp/eb1fbd049d56 github: https://github.com/yukinagae/latency- comparison-of-cloud-sql-connection 21
22. 移行後の理想（全部GCP/GKE 化） 22
23. 今後の移行方針 既存サービスのGCP/GKE 化 まずは今回のプロジェクトで導入実績を作り、 運用経験を積む 他サービスも徐々に移行していく（※移行すれ ばするほど、インフラ・運用コストを削減でき る） 新規サービスは最初からGCP/GKE で構築 次に発表する katio2 さんがそのサービスの話を してくれると思います( ｀・ω ・´) 23
24. ありがとうございました！ (´∀｀) 24
25. （おまけ）GKE 移行の辛み k8s/GKE 周りのノウハウや経験がないので手探り そもそもk8s 自体の学習コストが高い k8s の公式ドキュメントそのままだと動かない GKE はだいたいβ 版 25
26. （おまけ）GCP での運用・監視 datadog はちょっと辛い 既存のAWS システムではdatadog をdashboard で使 ってたが、GCP で使うのは辛い PubSub 経由でdatadog にpush する仕組みを毎回 作らないといけない GCP プロジェクト毎に認証をしないといけない の大変 datadog APM の導入はめちゃくちゃ楽 しかし、もちろんcontainer 周りの指標しか取得 できない 26
27. （おまけ）現状の運用・監視方法 Stackdriver Monitoring 使う理由 datadog 用に追加のintegration 作業が不要 複数プロジェクトを一つのworkspace にまとめれ ば、GKE やCloud SQL のプロジェクトが別でも1 つ のdashboard で監視できる alert policy やヘルスチェックもそのまま作れる （※現状はterraform 使わず、あえてGUI で手動 作成している。理由としては、監視しながらち ょこちょこ値を調整したいから） 27
28. （おまけ）現状の運用・監視方法 結論 GCP の場合にはStackdriver のみ使うことにした Stackdriver monitoring での監視 alert policy の作成 + slack 通知 dashboard の作成 Stackdriver Trace でのパフォーマンスチェック opencensus 入れた Stackdriver for python はα 版。。。( ｀・ω ・´) 汗 28
29. おわり 29