EKS 上に Kubeflow を構築してみた
なぜ EKS に構築したのか ?
社内のセキュリティの理由で、AWSの東京リージョンでなければ構築できないという大人な事情です。また、高額であるためGPUインスタンスを利用することもできないという大人な事情があるために、安価なCPUインスタンスで構築をします。そのために、公式ドキュメント からは若干ずれたものであるので、ドキュメントとして残しておこうかと思います。また、Kubeflow v0.2以前とv0.3以降ではそもそもの構築方法が異なるために、途中でAWSのドキュメントが使えなくなります。そのために、適宜 Getting Started with Kubeflow の記事を参照する必要があります。
必要な条件
- AWS CLI
- EKS Optimized AMI
- 日本リージョンのCPUインスタンス:
ami-063650732b3e8b38c - 日本リージョンのGPUインスタンス:
ami-080be783089a635dd
- 日本リージョンのCPUインスタンス:
-
kubectlbrew install kubectl
-
eksctlbrew install weaveworks/tap/eksctl
-
ksonnetbrew install ksonnet/tap/ks
やりかた
クラスタの作成
$ eksctl create cluster eks-kubeflow --node-type=t2.large --nodes 2 --region ap-northeast-1 --timeout=40m
安いクラスタにするために、一旦 t2.large で作成。東京リージョンは ap-northeast-1 。
公式ドキュメントでは、GPUを動かすために、Kubernetes 用のDevice PluginのDaemonsetを用意していますが、CPUインスタンスで構築したいので、一旦無視
$ kubectl get daemonset -n kube-system
NAME DESIRED CURRENT READY UP-TO-DATE AVAILABLE NODE SELECTOR AGE
aws-node 2 2 2 2 2 <none> 15m
kube-proxy 2 2 2 2 2 <none> 15m
Storage Class の作成
公式ドキュメント曰く、Kubeflowで使える Jupyter Hub を利用するのに Persistent Volume が必要になるので、Kubernetesに作る必要がある。
kind: StorageClass
apiVersion: storage.k8s.io/v1
metadata:
name: gp2
annotations:
storageclass.beta.kubernetes.io/is-default-class: "true"
provisioner: kubernetes.io/aws-ebs
parameters:
type: gp2
reclaimPolicy: Delete
mountOptions:
- debug
どうやらキモとなる部分はparametes以下のtypeの項目。ここでAWS上で利用できるEBSタイプを選択するらしい。ただし、 gp2 はデフォルトで設定されているようなので、一旦無視。
KubeflowのInstall
Kubeflowはksonnetを活用して、yamlを自動的に生成し、CRDに様々な機能を登録している。そのために、ksonnetが使える状態でなければいけないので、設定をしておく。
Kubeflow用のnamespaceを登録。
kubectl create namespace kubeflow
公式ドキュメントによると、Kubeflow用のdownload scriptを実行するのだが、必ず KUBEFLOW_VERSION を指定しなければならない。中身のshellを見ると、一目瞭然で KUBEFLOW_VERSION が変数となっているからである。なお、公式ドキュメントではv0.2であったが、kubeflowのv0.3以降ではインストール方法が異なるために、それ以降は Getting Started with Kubeflow を参考にした方が良い。
$ curl https://raw.githubusercontent.com/kubeflow/kubeflow/v0.4.0/scripts/download.sh
#!/usr/bin/env bash
#
# Download the registry and scripts.
# This is the first step in setting up Kubeflow.
# Downloads it to the current directory
set -ex
if [ ! -z "${KUBEFLOW_VERSION}" ]; then
KUBEFLOW_TAG=v${KUBEFLOW_VERSION}
fi
KUBEFLOW_TAG=${KUBEFLOW_TAG:-master}
# Create a local copy of the Kubeflow source repo
TMPDIR=$(mktemp -d /tmp/tmp.kubeflow-repo-XXXX)
curl -L -o ${TMPDIR}/kubeflow.tar.gz https://github.com/kubeflow/kubeflow/archive/${KUBEFLOW_TAG}.tar.gz
tar -xzvf ${TMPDIR}/kubeflow.tar.gz -C ${TMPDIR}
# GitHub seems to strip out the v in the file name.
KUBEFLOW_SOURCE=$(find ${TMPDIR} -maxdepth 1 -type d -name "kubeflow*")
# Copy over the directories we need
cp -r ${KUBEFLOW_SOURCE}/kubeflow ./
cp -r ${KUBEFLOW_SOURCE}/scripts ./
cp -r ${KUBEFLOW_SOURCE}/deployment ./
このスクリプトはkubeflowのrootディレクトリで実行するので、よしななディレクトリを作成する。便宜上はGetting Started with Kubeflowと同じ KUBEFLOW_SRCと記す
$ export KUBEFLOW_VERSION='0.4.0'
$ curl https://raw.githubusercontent.com/kubeflow/kubeflow/v0.4.0/scripts/download.sh | bash
$ ls -l
total 24
-rw-r--r--@ 1 kosukekikuchi staff 4378 Jan 8 09:21 README.md
drwxr-xr-x 3 kosukekikuchi staff 96 Jan 8 09:21 deployment
drwxr-xr-x 36 kosukekikuchi staff 1152 Jan 8 09:21 kubeflow
drwxr-xr-x 16 kosukekikuchi staff 512 Jan 8 09:21 scripts
-rw-r--r-- 1 kosukekikuchi staff 252 Jan 8 08:57 storageclass.yaml
deployment, kubeflow, scriptsのディレクトリが作成されていることを確認する。次にセットアップとインストールのために、下記のコマンドを実行する
$ export KFAPP=${KUBEFLOW_SRC}/'kfapp'
$ {KUBEFLOW_SRC}/scripts/kfctl.sh init ${KFAPP} --platform none
$ cd ${KFAPP}
$ {KUBEFLOW_SRC}/scripts/kfctl.sh generate k8s
$ {KUBEFLOW_SRC}/scripts/kfctl.sh apply k8s
なお、 kfctl.sh init の際に --zone のオプションを活用すると GPUインスタンスでも稼働するらしいが、今回はCPUインスタンスを作りたいので、無視。なお、実際に作られるインスタンスはこの通り。
$ kubectl get pod -n kubeflow
NAME READY STATUS RESTARTS AGE
ambassador-5cf8cd97d5-48hkf 1/1 Running 0 4m
ambassador-5cf8cd97d5-tl8mc 1/1 Running 0 4m
ambassador-5cf8cd97d5-zrmn9 1/1 Running 0 4m
argo-ui-7c9c69d464-8d88p 1/1 Running 0 4m
centraldashboard-6f47d694bd-xmf6v 1/1 Running 0 4m
jupyter-0 1/1 Running 0 4m
katib-ui-6bdb7d76cc-jwxc7 1/1 Running 0 3m
metacontroller-0 1/1 Running 0 4m
minio-7bfcc6c7b9-w5bbb 1/1 Running 0 4m
ml-pipeline-b59b58dd6-wztkj 1/1 Running 0 4m
ml-pipeline-persistenceagent-9ff99498c-ct649 1/1 Running 5 4m
ml-pipeline-scheduledworkflow-78794fd86f-znq7c 1/1 Running 0 4m
ml-pipeline-ui-9884fd997-7zqbs 1/1 Running 0 3m
ml-pipelines-load-samples-s2ptj 0/1 Completed 0 3m
mysql-6f6b5f7b64-hqp57 1/1 Running 0 4m
spartakus-volunteer-65d49f4794-hl4h4 1/1 Running 0 4m
studyjob-controller-774d45f695-xpsb5 0/1 CrashLoopBackOff 4 3m
tf-job-dashboard-5f986cf99d-jlgnl 1/1 Running 0 4m
tf-job-operator-v1beta1-5876c48976-rrbsz 1/1 Running 0 4m
vizier-core-fc7969897-7czgx 1/1 Running 2 3m
vizier-core-rest-6fcd4665d9-2hgn6 1/1 Running 0 3m
vizier-db-777675b958-drscn 1/1 Running 0 3m
vizier-suggestion-bayesianoptimization-54db8d594f-tlp85 1/1 Running 0 3m
vizier-suggestion-grid-6f5d9d647f-bhq7m 1/1 Running 0 3m
vizier-suggestion-hyperband-59dd9bb9bc-xt5dw 1/1 Running 0 3m
vizier-suggestion-random-6dd597c997-h4vj6 1/1 Running 0 3m
workflow-controller-5c95f95f58-xc6bl 1/1 Running 0 4m
構築自体はこちらで完了できる。以降、機械学習のテストコードや Jupyter Hub などのコンポーネントも動かしてみたい。