微众银行开发的全球首个工业级联邦学习开源框架 FATE 升级 v1.1！特别支持云上部署

雷锋网(公众号：雷锋网) AI 开发者按：作为联邦学习全球首个工业级开源框架，FATE 在近日发布的 v1.1 版本中，不仅上线了横向联邦学习通用算法框架，增加了DNN、回归等多个联邦算法，并开始支持多方纵向联邦建模，支持spark引擎，支持FATEServing服务治理，支持secureboost在线预测等。

此外，FATE 还联合 VMware 中国研发开放创新中心云原生实验室的团队一起搞了个「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 作为联邦学习全球首个工业级开源框架，支持联邦学习架构体系，为机器学习、深度学习、迁移学习提供了高性能联邦学习机制，FATE 本身还支持多种多方安全计算协议，如同态加密、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 日正式发布的 FATE v1.1 版本中，FATE 联合 VMware 中国研发开放创新中心云原生实验室的团队一起搞了个「大事」——发布了 KubeFATE 项目，通过把 FATE 的所有组件用容器的形式封装，实现了使用 Docker Compose 或 Kubernetes（Helm Charts）来部署。

现代应用以 DevOps 方式开发，基于容器部署应用的优势相当明显，应用不仅可以无差别地运行在支持容器的平台上，还可以按需灵活地实现多实例水平扩展。目前主流的云平台，如国外的 AWS，Azure，国内的阿里云、腾讯云等，都有基于容器和 Kubernetes 的云原生服务，使得容器应用的部署和运行已经标准化和商品化。

换句话说，通过 KubeFATE 项目，开发者可以轻松地在公有云或私有云中部署和使用 FATE 项目。

该项目现已发布在GitHub：https://github.com/FederatedAI/KubeFATE 

另外，本次FATE v1.1版本在算法和功能基础了进行重大升级和提升：

不仅上线了横向联邦学习通用算法框架，增加了DNN、回归等多个联邦算法，并开始支持多方纵向联邦建模，支持spark引擎，支持FATEServing服务治理，支持secureboost在线预测等。

具体更新详情如下文所示。

FederatedML：提供易扩展的横向算法框架支持横向算法开发

在新版本中，FATE使开发更加轻松，开发者可以更关注于算法具体本身，而将更多通用的通信传输内容交给框架。FATE v1.1提供易扩展的横向联邦学习通用算法框架，支持Secure Aggregation，通过封装横向联邦学习的主要流程，开发者能够简单地实现横向联邦学习算法。

在算法方面，FATE新增了对横向DNN、纵向线性回归、纵向泊松回归等联邦算法的支持，以及更多算法支持多方联邦建模，丰富了更多的建模场景，提升了FATE的实用性。

值得一提的是，线性回归在预测连续标签等应用场景上非常有力，而泊松回归则能更好的协助开发者预测次数与频率，如在购买保险和评估意外发生风险等场景里，泊松回归都能对频率进行预测。

 此外，从这一版本开始，FATE也正式开始支持多方纵向联邦建模，可以实现纵向场景下的多个数据提供方共同训练联邦模型。

最后，FATE也对连接Spark进行了尝试，FATE v1.1支持已有Spark集群的开发者直接复用现有资源，可以选择Spark作为计算引擎，根据实际情况灵活配置。

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

FATEFlow：高性能联邦学习Pipeline生产服务

FATEFlow是联邦学习建模Pipeline 调度和生命周期管理工具，为用户构建端到端的联邦学习Pipeline生产服务。v1.1版本中，FATEFlow主要在稳定性及易用性上进行了提升，例如：

• 上传下载文件支持查看作业状态，对于大文件和对接其他系统有较大帮助；

• 支持取消等待中的作业；

• 支持对作业设置超时时间；

• 优化作业日志，统一存放于以作业ID命名的日志文件夹，提高排查问题效率；

FATEBoard：简单高效，联邦学习建模过程可视化

FATEBoard是联邦学习建模的可视化工具，为终端用户可视化和度量模型训练的全过程，帮助用户更简单而高效地进行模型探索和模型理解。新版本中，job工作流展示进一步优化，并支持组件数据与模型的输入输出端口分离，提供更直观的数据传输与模型传输展示；

另外，现已支持模型训练过程中的评估结果可视化，便于实时关注与跟踪中间训练过程和结果；更提供secureboost树模型的可视化展示，不仅可以清晰地观测模型中每颗决策树，还能查看不同标签下的树模型。

FATEServing：服务治理，重启自动恢复模型

在新版本中，模型加载成功后会在本地文件中保存，在重启之后会从本地文件中恢复之前加载的模型。

此外，v1.1版本引入zookeeper作为注册中心，提供了有限的服务治理功能，能够动态的注册grpc接口，在某些机器宕机的情况下，能够自动的切换流量 。

KubeFATE：FATE部署能力升级

FATE v1.1版本提供打包好的Docker容器镜像，大大降低FATE的使用门槛，避免开发者“倒在起跑线上”。如果是企业开发者，还可以发现离线部署FATE的能力也得到了提升，借助 Harbor 开源容器镜像仓库，可以自动同步网上的镜像，为运维减压。

KubeFATE主要提供了Docker compose和Kubernetes（Helm Chart）两种部署方式。

• Docker-Compose可以将FATE的所有组件部署在单个节点中，并且支持多个合作方的部署。开发者无需编译代码，可使用Docker compose迅速搭建测试环境。当前Docker compose可将FATE部署在一个或多个节点中，有利于开发者对FATE功能的熟悉和了解。

• Docker-Compose的单节点部署方式定位于测试。在生产环境中，往往需要多节点部署，此时采用Kubernetes的方式更佳。KubeFATE提供了Helm Charts来把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细节，例如把计算模块部署在有GPU的节点上等等。

Harbor是开源镜像仓库，提供镜像的访问控制、远程同步、安全漏洞扫描等强大能力，国内的用户绝大部分使用Harbor管理镜像。KubeFATE项目将Harbor集成到其中，可提供本地镜像管理能力，无需依赖Docker Hub等云服务，大大提高了效率和安全性。此外，Harbor还能复制远程的镜像，可把镜像在公有云或数据中心之间双向复制，遇到故障可自动恢复，从而简化运维复杂度。 

总的来说，FATE v1.1版本增加了多个联邦算法的支持，为联邦学习建模带来更丰富更强大的功能，同时联合VMware推出KubeFATE，简化FATE使用门槛，对初接触开发者更为友好。团队也欢迎对联邦学习有兴趣的同仁一起贡献代码，提交 Issues 或者 Pull Requests。

详情可查阅 FATE官网项目贡献者指南：https://fate.fedai.org/contribute/

。