配置MLflow模型倉庫 - Container Service for Kubernetes

MLflow是一個開源的機器學習生命週期管理平台，可以用來追蹤模型訓練資訊、管理和部署機器學習模型。本文介紹如何為模型管理功能配置MLflow模型倉庫。

MLflow模型倉庫介紹

關於MLflow模型倉庫功能的詳細介紹，請參見MLflow Model Registry — MLflow documentation。

前提條件

已建立ACK Pro叢集且Kubernetes版本不低於1.20。具體操作，請參見建立ACK Pro版叢集。
已建立RDS PostgreSQL執行個體。具體操作，請參見建立RDS PostgreSQL執行個體。
建議建立RDS PostgreSQL執行個體時優先選擇ACK叢集所在的VPC並將VPC所在的網段加入白名單，這樣可以使用內網地址訪問資料庫。如果RDS執行個體和ACK叢集位於不同的VPC內，請確保RDS開啟了公網訪問，並將ACK叢集的VPC網段加入白名單中。具體操作，請參見設定白名單。
在RDS PostgreSQL執行個體中建立一個名為mlflow的普通帳號。具體操作，請參見建立帳號。
在RDS PostgreSQL執行個體建立一個名為mlflow_store的資料庫用於儲存模型中繼資料，並將其授權帳號設定為mlflow帳號。具體操作，請參見建立資料庫。
（可選）在RDS PostgreSQL執行個體建立一個名為mlflow_basic_auth的資料庫用於儲存MLflow使用者認證資訊，並將其授權帳號設定為mlflow帳號。具體操作，請參見建立資料庫。
已配置Arena用戶端用於進行模型管理，Arena版本需為0.9.14及以上版本。具體操作，請參見配置Arena用戶端。

步驟一：在ACK叢集中部署MLflow

登入Container Service管理主控台，在左側導覽列選擇叢集。
在叢集列表頁面，單擊目的地組群名稱，然後在左側導覽列，選擇應用 > Helm。
單擊建立，然後在建立頁面，將應用程式名稱設定為mlflow、命名空間設定為kube-ai，在Chart地區的搜尋欄搜尋並選中mlflow，完成後單擊下一步，在彈出的對話方塊中，確認是否採用mlflow為Chart的預設的命名空間。
- 如果需要通過AI套件開發控制台進行模型管理，需要將mlflow部署在kube-ai命名空間中，發布名稱需保持為預設值mlflow。
- 如果需要通過Arena進行模型管理，可以將Mlflow部署在任意命名空間中，但是發布名稱需保持為預設值mlflow。

在建立頁面，配置Chart的參數。

配置defaultArtifactRoot及backendStore參數，配置樣本如下所示。

trackingServer:
  # -- Specifies which mode mlflow tracking server run with, available options are `serve-artifacts`, `no-serve-artifacts` and `artifacts-only`
  mode: no-serve-artifacts
  # -- Specifies a default artifact location for logging, data will be logged to `mlflow-artifacts/:` if artifact serving is enabled, otherwise `./mlruns`
  defaultArtifactRoot: "./mlruns"
  
# For more information about how to configure backend store, please visit https://mlflow.org/docs/latest/tracking/backend-stores.html
backendStore:
  # -- Backend store uri e.g. `<dialect>+<driver>://<username>:<password>@<host>:<port>/<database>`
  backendStoreUri: postgresql+psycopg2://mlflow:<password>@pgm-xxxxxxxxxxxxxx.pg.rds.aliyuncs.com/mlflow_store

其中，backendStore.backendStoreUri請替換成前提條件中建立的mlflow_store資料庫訪問地址，例如postgresql+psycopg2://mlflow:<password>@pgm-xxxxxxxxxxxxxx.pg.rds.aliyuncs.com/mlflow_store。

（可選）如需開啟BasicAuth，請配置如下參數。

trackingServer:
  # -- Specifies which mode mlflow tracking server run with, available options are `serve-artifacts`, `no-serve-artifacts` and `artifacts-only`
  mode: no-serve-artifacts
  # -- Specifies a default artifact location for logging, data will be logged to `mlflow-artifacts/:` if artifact serving is enabled, otherwise `./mlruns`
  defaultArtifactRoot: "./mlruns"
  
  # Basic authentication configuration,
  # for more information, please visit https://mlflow.org/docs/latest/auth/index.html#configuration
  basicAuth:
    # -- Specifies whether to enable basic authentication
    enabled: true
    # -- Default permission on all resources, available options are `READ`, `EDIT`, `MANAGE` and `NO_PERMISSIONS`
    defaultPermission: NO_PERMISSIONS
    # -- Database location to store permissions and user data e.g. `<dialect>+<driver>://<username>:<password>@<host>:<port>/<database>`
    databaseUri: postgresql+psycopg2://<username>:<password>@pgm-xxxxxxxxxxxxxx.pg.rds.aliyuncs.com/mlflow_basic_auth
    # -- Default admin username if the admin is not already created
    adminUsername: admin
    # -- Default admin password if the admin is not already created
    adminPassword: password
    # -- Function to authenticate requests
    authorizationFunction: mlflow.server.auth:authenticate_request_basic_auth
    
# For more information about how to configure backend store, please visit https://mlflow.org/docs/latest/tracking/backend-stores.html
backendStore:
  # -- Backend store uri e.g. `<dialect>+<driver>://<username>:<password>@<host>:<port>/<database>`
  backendStoreUri: postgresql+psycopg2://mlflow:<password>@pgm-xxxxxxxxxxxxxx.pg.rds.aliyuncs.com/mlflow_store

替換trackingServer.basicAuth.databaseUri為前提條件中建立的mlflow_basic_auth資料庫的訪問地址，例如postgresql+psycopg2://<username>:<password>@pgm-xxxxxxxxxxxxxx.pg.rds.aliyuncs.com/mlflow_basic_auth。
修改trackingServer.basicAuth.adminUsername和trackingServer.basicAuth.adminPassword參數來配置MLflow管理員的使用者名稱和初始密碼（僅在管理使用者還未建立時才會建立管理使用者）。

關於MLflow完整的參數配置，請參見MLflow。

步驟二：訪問部署在Kubernetes上的MLflow Web UI

執行以下命令，將MLflow Web UI服務轉寄到本地的5000連接埠。

kubectl port-forward -n kube-ai services/mlflow 5000

預期輸出：

Forwarding from 127.0.0.1:5000 -> 5000
Forwarding from [::1]:5000 -> 5000
Handling connection for 5000
Handling connection for 5000
...

從瀏覽器訪問http://127.0.0.1:5000查看MLflow Web UI。

後續操作：模型管理

雲原生AI套件支援對MLflow模型倉庫中的模型進行管理，關於如何使用雲原生AI套件開發控制台和Arena命令列工具進行模型管理，請參見對MLflow模型倉庫中的模型進行管理。