雷鋒網(wǎng) AI 開發(fā)者按：作為聯(lián)邦學習全球首個工業(yè)級開源框架，F(xiàn)ATE 在近日發(fā)布的 v1.1 版本中，不僅上線了橫向聯(lián)邦學習通用算法框架，增加了DNN、回歸等多個聯(lián)邦算法，并開始支持多方縱向聯(lián)邦建模，支持spark引擎，支持FATEServing服務治理，支持secureboost在線預測等。

此外，F(xiàn)ATE 還聯(lián)合 VMware 中國研發(fā)開放創(chuàng)新中心云原生實驗室的團隊一起搞了個「大事」——支持在公有云和私有云中部署及使用，全容器化云原生部署方案。

FATE 作為聯(lián)邦學習全球首個工業(yè)級開源框架，支持聯(lián)邦學習架構體系，為機器學習、深度學習、遷移學習提供了高性能聯(lián)邦學習機制，F(xiàn)ATE 本身還支持多種多方安全計算協(xié)議，如同態(tài)加密、秘密共享、哈希散列等，具有友好的跨域交互信息管理方案。

在 10 月 31 日正式發(fā)布的 FATE v1.1 版本中，F(xiàn)ATE 聯(lián)合 VMware 中國研發(fā)開放創(chuàng)新中心云原生實驗室的團隊一起搞了個「大事」——發(fā)布了 KubeFATE 項目，通過把 FATE 的所有組件用容器的形式封裝，實現(xiàn)了使用 Docker Compose 或 Kubernetes（Helm Charts）來部署。

現(xiàn)代應用以 DevOps 方式開發(fā)，基于容器部署應用的優(yōu)勢相當明顯，應用不僅可以無差別地運行在支持容器的平臺上，還可以按需靈活地實現(xiàn)多實例水平擴展。目前主流的云平臺，如國外的 AWS，Azure，國內(nèi)的阿里云、騰訊云等，都有基于容器和 Kubernetes 的云原生服務，使得容器應用的部署和運行已經(jīng)標準化和商品化。

換句話說，通過 KubeFATE 項目，開發(fā)者可以輕松地在公有云或私有云中部署和使用 FATE 項目。

該項目現(xiàn)已發(fā)布在GitHub：https://github.com/FederatedAI/KubeFATE 

另外，本次FATE v1.1版本在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(lián)邦學習通用算法框架，增加了DNN、回歸等多個聯(lián)邦算法，并開始支持多方縱向聯(lián)邦建模，支持spark引擎，支持FATEServing服務治理，支持secureboost在線預測等。

具體更新詳情如下文所示。

FederatedML：提供易擴展的橫向算法框架支持橫向算法開發(fā)

在新版本中，F(xiàn)ATE使開發(fā)更加輕松，開發(fā)者可以更關注于算法具體本身，而將更多通用的通信傳輸內(nèi)容交給框架。FATE v1.1提供易擴展的橫向聯(lián)邦學習通用算法框架，支持Secure Aggregation，通過封裝橫向聯(lián)邦學習的主要流程，開發(fā)者能夠簡單地實現(xiàn)橫向聯(lián)邦學習算法。

在算法方面，F(xiàn)ATE新增了對橫向DNN、縱向線性回歸、縱向泊松回歸等聯(lián)邦算法的支持，以及更多算法支持多方聯(lián)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，線性回歸在預測連續(xù)標簽等應用場景上非常有力，而泊松回歸則能更好的協(xié)助開發(fā)者預測次數(shù)與頻率，如在購買保險和評估意外發(fā)生風險等場景里，泊松回歸都能對頻率進行預測。

 此外，從這一版本開始，F(xiàn)ATE也正式開始支持多方縱向聯(lián)邦建模，可以實現(xiàn)縱向場景下的多個數(shù)據(jù)提供方共同訓練聯(lián)邦模型。

最后，F(xiàn)ATE也對連接Spark進行了嘗試，F(xiàn)ATE v1.1支持已有Spark集群的開發(fā)者直接復用現(xiàn)有資源，可以選擇Spark作為計算引擎，根據(jù)實際情況靈活配置。

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

FATEFlow：高性能聯(lián)邦學習Pipeline生產(chǎn)服務

FATEFlow是聯(lián)邦學習建模Pipeline 調(diào)度和生命周期管理工具，為用戶構建端到端的聯(lián)邦學習Pipeline生產(chǎn)服務。v1.1版本中，F(xiàn)ATEFlow主要在穩(wěn)定性及易用性上進行了提升，例如：

• 上傳下載文件支持查看作業(yè)狀態(tài)，對于大文件和對接其他系統(tǒng)有較大幫助；

• 支持取消等待中的作業(yè)；

• 支持對作業(yè)設置超時時間；

• 優(yōu)化作業(yè)日志，統(tǒng)一存放于以作業(yè)ID命名的日志文件夾，提高排查問題效率；

FATEBoard：簡單高效，聯(lián)邦學習建模過程可視化

FATEBoard是聯(lián)邦學習建模的可視化工具，為終端用戶可視化和度量模型訓練的全過程，幫助用戶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(yōu)化，并支持組件數(shù)據(jù)與模型的輸入輸出端口分離，提供更直觀的數(shù)據(jù)傳輸與模型傳輸展示；

另外，現(xiàn)已支持模型訓練過程中的評估結果可視化，便于實時關注與跟蹤中間訓練過程和結果；更提供secureboost樹模型的可視化展示，不僅可以清晰地觀測模型中每顆決策樹，還能查看不同標簽下的樹模型。

FATEServing：服務治理，重啟自動恢復模型

在新版本中，模型加載成功后會在本地文件中保存，在重啟之后會從本地文件中恢復之前加載的模型。

此外，v1.1版本引入zookeeper作為注冊中心，提供了有限的服務治理功能，能夠動態(tài)的注冊grpc接口，在某些機器宕機的情況下，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容器鏡像，大大降低FATE的使用門檻，避免開發(fā)者“倒在起跑線上”。如果是企業(yè)開發(fā)者，還可以發(fā)現(xiàn)離線部署FATE的能力也得到了提升，借助 Harbor 開源容器鏡像倉庫，可以自動同步網(wǎng)上的鏡像，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的所有組件部署在單個節(jié)點中，并且支持多個合作方的部署。開發(fā)者無需編譯代碼，可使用Docker compose迅速搭建測試環(huán)境。當前Docker compose可將FATE部署在一個或多個節(jié)點中，有利于開發(fā)者對FATE功能的熟悉和了解。

• Docker-Compose的單節(jié)點部署方式定位于測試。在生產(chǎn)環(huán)境中，往往需要多節(jié)點部署，此時采用Kubernetes的方式更佳。KubeFATE提供了Helm Charts來把FATE部署到Kubernetes方法，可在支持Kubernetes的云上直接部署FATE，并且可以按照需求定制部署的細節(jié)，例如把計算模塊部署在有GPU的節(jié)點上等等。

Harbor是開源鏡像倉庫，提供鏡像的訪問控制、遠程同步、安全漏洞掃描等強大能力，國內(nèi)的用戶絕大部分使用Harbor管理鏡像。KubeFATE項目將Harbor集成到其中，可提供本地鏡像管理能力，無需依賴Docker Hub等云服務，大大提高了效率和安全性。此外，Harbor還能復制遠程的鏡像，可把鏡像在公有云或數(shù)據(jù)中心之間雙向復制，遇到故障可自動恢復，從而簡化運維復雜度。 

總的來說，F(xiàn)ATE v1.1版本增加了多個聯(lián)邦算法的支持，為聯(lián)邦學習建模帶來更豐富更強大的功能，同時聯(lián)合VMware推出KubeFATE，簡化FATE使用門檻，對初接觸開發(fā)者更為友好。團隊也歡迎對聯(lián)邦學習有興趣的同仁一起貢獻代碼，提交 Issues 或者 Pull Requests。

詳情可查閱 FATE官網(wǎng)項目貢獻者指南：https://fate.fedai.org/contribute/

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。