滴滴推理引擎IFX:千万规模设备下AI部署实践

1.

背景

随着人工智能技术的发展,深度学习技术在工业界得到了广泛的应用。数据、算法、算力三个维度的协同发展,逐步将 AI 推向成熟期,并且渗透到生活的方方面面。

滴滴拥有海量出行大数据,同时拥有大量的司乘端手机用户、桔视设备(车载摄像头)、GPU 集群等算力平台,对云、边、端 AI 能力的发掘将迎来一个黄金时代。滴滴机器学习团队从 2018 年 9 月开始调研和搭建自研推理引擎平台 IFX,在 2018 年 12 月开始对内提供服务,并在司机端和乘客端 APP 中落地。

经历了 2 年的发展,IFX 已经在公司的大量业务中得到应用,服务于订单和准入的关键路径,司乘支付绑卡、实名认证、金融安全、提现等业务流程,高危场景识别,费用判责,追尾碰撞检测,定位导航,路网更新等业务场景。涵盖国内/国际化司乘 APP、桔视(车载摄像头)、代驾记录仪、滴滴云 GPU 等算力平台。

目前滴滴 IFX 平台服务千万级别设备,平台日活调用量超千万亿。

滴滴推理引擎IFX:千万规模设备下AI部署实践

2.

架构

在服务业务的过程中,我们发现纯粹的推理引擎已经很难满足业务高效的发展,因此,我们对平台进行了逐步的迭代与升级,将其分为 4 层结构:接入层,软件层,引擎层,算力层。

滴滴推理引擎IFX:千万规模设备下AI部署实践

▍接入层

通过接入层,主要完成与业务工程的对接工作,同时我们在该层增加了推理/授权数据埋点,能够及时的展示设备接入量、推理接入量、设备分布、推理质量等信息。

  • local inference 需求:提供各类编程语言接口的 SDK
  • remote inference 需求:提供 http/thrift/grpc 等接口的标准服务化 api
  • 授权与埋点:提供安全授权接入方案,提供业务模型 inference 相关可视化报表

▍软件层

在软件层,主要完成与业务算法的对接工作,主要完成模型解析和模型管理功能。

  • 模型瘦身:提供更小的模型文件,降低 SDK 大小,同时提升在线升级模型速度
  • 模型加密:确保模型结构安全性,不容易被破解
  • 版本管理:解决业务迭代过程中,多个模型版本管理问题
  • 自动测试:模型解析,带来精度差异,自动测试保证训练模型和推理模型表达一致性,同时也会测试模型推理性能以及硬件设备适配工作

▍引擎层

所有引擎优化相关工作集中在该层,针对异构设备算子的开发和调优,引擎系统调用的调优,

  • 性能诊断器:为引擎层提供离线性能诊断工具,剖析模型在不同硬件设备上的表现,同时指导 kernel 优化,模型结构优化等工作
  • 引擎瘦身与混淆:提供更小的体积以及安全的内核
  • 算子优化:主要整合低精度、图优化、异构调度、汇编优化等能力,同时提供 auto tuning kernel 的能力,为专用硬件提供最佳的汇编实现
  • 系统优化:除了计算本身,提供系统调度、I/O、预/后处理等耗时环节的优化

▍算力层

算法模型实际运行的硬件设备,目前针对云、边、端等场景,支持了大部分的处理器。主要包括 NVIDIA GPU,ARM,X86,寒武纪等设备。

3.

产品化

基于架构的升级,IFX 团队进一步打造 AI 部署产品化解决方案,争取为业务提供更加系统化的支持。主要围绕以下 6 个方面进行能力建设。

滴滴推理引擎IFX:千万规模设备下AI部署实践

▍高性能

为保障业务的核心竞争力,模型执行速度对于成本、安全、业务效果等影响非常大,我们针对推理引擎内核以及全链路进行了一次性能改造,在业务性能上,得到了不错的效果。

  • 汇编级优化:核心 op 汇编优化,模型性能提升 40% - 200%
  • 全链路优化:预处理、后处理、网络调用链路优化,服务化性能提升 30 - 260%
滴滴推理引擎IFX:千万规模设备下AI部署实践

local 性能测试对比

滴滴推理引擎IFX:千万规模设备下AI部署实践

服务化性能对比

▍精巧性

为降低 APP 包大小,提升用户体验,我们专门针对引擎以及模型,做了大量的裁剪和压缩工作。

  • 模型压缩:多种压缩策略联合驱动,压缩不降低精度,压缩率 < 25%
  • 引擎压缩:二进制 elf 压缩,进一步降低 SDK 大小,通常压缩率在 50% 左右
滴滴推理引擎IFX:千万规模设备下AI部署实践

▍统一性

为了提升接入效率,提供更加高效的接入方案,针对云、端、边等多种场景,IFX 可以提供统一的接入方案,同一个算法模型,支持部署到多种不同硬件设备。

滴滴推理引擎IFX:千万规模设备下AI部署实践

▍多框架

业务方选用的算法框架相对比较自由,为让体验和接入流程一致,IFX 支持将 TensorFlow,PyTorch,Caffe,Darknet 等不同的深度学习训练得到的算法模型,转换成 IFX 支持的模型,并提供兼容性设计,满足业务迭代以及算法升级的需求。

▍自动化

AI 模型落地的过程中,存在较大的人工操作,为了降低每一个环节人工干预的程度,我们梳理了一些值得自动化实施的环节,帮助业务更快进行开发。

  • SDK 自动化生成
  • 服务自动化压测
  • 模型正确性评测
  • 功耗、CPU Loading 等自动化测试

▍安全性

滴滴有大量的算法部署在端侧,目前我们发现软件系统会受到一些外部的攻击,为了更好的提升 AI 软件的运行安全性,保障滴滴业务的同时,更好的对外输出,我们进行了一次架构安全升级。

  • 接入层:离线、在线授权方案,严控接入设备
  • SDK层:IOS,Android,Linux 代码混淆,保护业务逻辑
  • 引擎层:函数级别加密和混淆,杜绝反调试,反编译
  • 模型层:模型文件加密,保护算法结构

4.

总结

当前,IFX 已经服务了内部不少的业务,但是在 AI 部署的过程中,依然存在很多低效的环节需要迭代和优化。IFX 团队也将继续在这个过程中进行能力建设,后续我们计划将整个开发和生产流程线上化,采用统一的开发环境,整合开发、测试、验证、分析、上线流程,需要做的工作还很多,但未来可期。

作者:蔡金平 滴滴专家工程师,机器学习平台框架组负责人,现负责异构计算、AI系统 优化等工作,为公司提供端/云AI优化和部署方案。曾就职于阿里,参与异构计算集群、阿里云 HPC 产品等研发工作。

滴滴推理引擎IFX:千万规模设备下AI部署实践

滴滴机器学习团队从 2018 年 9 月开始调研和搭建自研推理引擎平台 IFX,在 2018 年 12 月开始对内提供服务,并在司机端和乘客端 APP 中落地。

高手都是通过这9种方法找到了“底层算法”

知乎上有个很火的话题:厉害的人遇到问题时的思维模式与普通人之…件装入信封、封上封口。你会怎么做??第一种办法是:拆分动作,把所有的邮件全部装好,全部封好,全部写上地址,再全部贴上邮票;第二种办法是:每次把一个信封的动作全部完成,然后再完成下一个。?你可能觉得第一种更快,但实际上,第二种能更快完成工作,…健康、幸福的人生赢家都拥有自己的人生算法。《人生算法》这本书

一个Bug损失200亿!如何搭建业务异常检测系统?

DataPipelineHead of AI 王睿在51CTO大咖来了公开课上作了题为《业务异常实时自动化检测 — 基于人工智能的系统实战》的分享,本文根据分享内容整理而成。

为什么要学习少儿编程?这些理由你无法拒绝

快速上手,机器人可以连接很多传感器,让机器人实现很多功能,机器人搭建+编程的学习方式更生动,在学习编程的同时也可以激发孩子的创新能力。在幼儿园接触过简单机器人搭建、编程的小朋友,小学-年级再接触机器人编程,一点儿都不费劲!然而之前毫无基础,等小学-年级才开