经过漫长的准备和打磨，新一代的Angel终于开源了！新一代的Angel由腾讯和北京大学联合开发，兼顾业界的高可用性和学术界的创新性，欢迎分布式架构师，算法工程师和数据科学家一起深入使用和协同开发，激发机器学习领域更多的创新应用和良好生态。
Github：https://github.com/tencent/angel 欢迎大家Star，Fork和提PR。
作为一个高维度的分布式机器学习框架，Angel的第一次对外亮相是在去年的五月（面向高维度的机器学习计算框架-Angel），并在去年12月份KDDChina大会上（腾讯大数据第三代高性能计算平台-Angel），宣布将全面进行开源。
为了迎接对外开源，团队成员对Angel进行了多次重构和升级，可谓是淬火重炼。在此期间，Angel的架构反复改进，性能持续提升。开源前夕，它的性能已经超越了XGBoost和Spark。新一代的Angel，性能更快，功能更强，开发更方便。其改进主要集中在三方面：
生态性 引入PSAgent，支持PS-Service，便于接入其它机器学习框架。
函数性 融合函数式编程特性，自定义psFunc，利于开发复杂算法。
灵活性 支持Spark-on-Angel，Spark无需修改内核，运行于PS模式之上。
本文将从架构和性能两方面，对新一代Angel，做一个初步的介绍，让大家了解它的改进。关于更加具体和深入的介绍，还请点击文末“阅读原文”移步GitHub。
架构升级
1. PSService
在新一代的Angel开发中，我们对系统进行了一次重要的升级，引入了PSAgent，对PSServer的服务端进行隔离，从而提供了PS-Service的功能。升级后，系统的架构设计如下：
引入PSAgent后，PSClient不再直接和PSServer打交道了，而是通过PSAgent来沟通。作为新加的中间层PSAnget，有如下几个特性：
- 对外屏蔽了PSServer中的模型分片，路由以及模型重组等复杂细节，提供了封装好的模型操作接口
- 内置了Hogwild!机制，包含模型缓存和模型预取等性能优化
- 提供了模型缓存（Cache）的更新和合并的功能，大大降低网络通信开销
PSAgent的引入，解耦了PSServer和Worker，使得Angel具备了PSService的能力。Angel的PSServer，不再只服务于Angel的Client，其它机器学习框架，只要实现AngelPSClient接口了，都能可以接入Angel。
PSService的抽象，为Angel接入Spark和深度学习框架，从架构的层面上提供了便利
2. psFunc
标准Parameter Server功能之一，就是要提供Model的拉取（pull/get）和推送（push/update）。 很多早期PS，拿HBase，Redis等分布式存储系统，简单改改，进行模型的更新和获取，就搭建了一个简单的PS系统。
但实际应用中，算法对PSServer上的参数获取和更新，却远远不只这么简单，尤其是当复杂的算法需要实施一些特定的优化的时候，简单的PS系统，就完全不能应对这些需求了。
举个例子，有时候某些算法，要得到矩阵模型中某一行的最大值，如果PS系统，只有基本的Pull接口，那么PSClient，就只能先将该行的所有列，都从参数服务器上拉取回来，然后在Worker上计算得到最大值，这样会产生很多的网络通信开销，对性能会有影响。 而如果我们有一个自定义函数，每个PSServer在远程先计算出n个局部最大值，再交换确认全局最大值，这时只要返回1个数值就可以了，这样的方式，计算开销接近，但通信开销将大大降低。
为了解决类似的问题，Angel引入和实现psFunc的概念，对远程模型的获取和更新的流程进行了封装和抽象。它也是一种用户自定义函数（UDF），但都和PS操作密切相关的，因此被成为psFunc，简称psf，整体架构如下：
随着psFunc的引入，模型的计算，也会发生在PSServer端。PSServer也将有一定的模型计算职责，而不是单纯的模型存储功能。合理的设计psFunc，将大大的加速算法的运行。
3. Spark on Angel
作为目前非常流行的分布式内存计算框架，Spark 的核心概念是RDD，而RDD的关键特性之一，是其不可变性，它可以规避分布式环境下复杂的各种奇奇怪怪的并行问题，快速开发各种分布式数据处理算法。然而在机器学习的时代，这个设计反而制约了Spark的发展。因为机器学习的核心是迭代和参数更新，而RDD的不可变性，不适合参数反复多次更新的需求，因此诸多Spark机器学习算法的实现，非常的曲折和不直观。
现在，基于Angel提供的PSService和psFunc，Spark可以充分利用Angel的PS，用最小的修改代价，具备高速训练大模型的能力，写出更加优雅的机器学习算法代码。
Spark on Angel实现的基本架构设计如下：
可以看出，该实现非常灵活，它对Spark没有任何侵入式的修改，是一种插件式设计，因此完全兼容社区Spark，对原生Spark的程序不会有任何影响。它的基本执行流程如下
- 启动SparkSession
- 初始化PSContext，启动Angel的PSServer
- 创建PSModelPool, 申请到PSVector
- 核心调用：在RDD的运算中，直接调用PSVector，进行模型更新。这将使得真正运行的Task，调用AngelPSClient，对远程PSServer进行操作。
- 终止PSContext
- 停止SparkSession
关于Spark on Angel的具体开发，可参考：Github《Spark on Angel编程手册》。在线上，基于真实的数据，我们对Spark on Angel和Spark的做了性能对比测试，结果如下：
显而易见，Spark on Angel能轻松获得30%或更多的加速比，越复杂的算法和模型，性能提高的比例越大。虽然PSServer会耗费了额外的资源，但是比起算法编写的便捷和性能的提升，这是划算的。对于Spark的老用户，这是低成本切入Angel的一个途径，也是算法工程师基于Spark实现高难度算法的优雅姿势。
Spark on Angel是Angel生态圈的第一个成员，后续会有更多基于PS-Service的框架接入，包括深度学习。
性能优势
新版本的Angel，添加了诸多新功能，最终的目的，就是让算法工程师能更加从容地进行算法优化，融入更多的算法的Trick，让算法的性能，得到了一个飞跃的提升。
1.GBDT
众所周知，XGBoost的强项之一，就是GBDT算法，性能飞快，使用简单，在众多算法比赛中，是选手们的最爱。尽管如此，Angel的GBDT算法，却还是超越了它，这是一个非常不错的性能背书。
- 性能比较
- 数据：腾讯内部某性别预测数据集，3.3×10^5 特征，1.2×10^8 样本
- 详细文档：GBDT on Angel
2.LDA
众所周知，LDA是一个非常消耗资源的主题模型算法，新一代的Angel，在LDA上的性能，不但超越了Spark，也已经超越了之前开源过的Petuum。（由于Petuum已经不开源多时，所以比对数据，这里就不再贴出了）
- 数据：PubMED
- 详细文档: LDA on Angel
3.GD-LR
LR是广告推荐中广泛应用的一个算法，Angel分别提供了利用Gradient Descent、ADMM两种优化方法计算的LR算法。这两种算法，无论是耗费的资源，还是性能、收敛速度，都远比原生的Spark实现优越。
- GD-LR
- 数据： 腾讯内部某推荐数据，5×10^7 特征，8×10^7 样本
- 详细文档： LR on Angel
- ADMM-LR
- 数据：腾讯内部某推荐数据，5千万特征，1亿样本
展望
一把好的宝剑，经过千锤百炼，讲究的是刚柔并济，不但削铁如泥，也要有极好的韧性，百折不断。同样的，一个好的开源项目，也是如此。它不但需要有强大的功能和性能，也需要有良好的适配性，能形成好的生态。
超大样本和超高维度的机器学习，在腾讯的多个真实生产环境中，有着非常普遍的应用场景，这是Angel的切入点，但不是终点和约束，在未来，Angel还将深入到图计算和深度学习领域，借助开源的力量，做出更多的探索，无论是Wider还是Deeper的模型，Angel都希望能像天使一样，在多个机器学习框架上为它们提速，帮助各个业务提升效果，为腾讯AI的发展插上翅膀。
文章来源：【腾讯大数据】微信号：tencentbigdata
