Kubeflow Trainer v2 - TensorFlow Custom Runtime

Kubeflow Trainer v2에서 TensorFlow 분산학습을 위한 Custom ClusterTrainingRuntime 생성 및 Volcano 연동 가이드.

배경

Kubeflow Trainer v2 (v1alpha1)에는 다음 런타임만 기본 제공된다:

Runtime	Framework Label	mlPolicy 필드	엔트리포인트 주입
torch-distributed	torch	mlPolicy.torch	torchrun + MASTER_ADDR/RANK 등 자동 설정
deepspeed-distributed	deepspeed	mlPolicy.mpi	MPI (OpenMPI) + SSH 자동 설정
mlx-distributed	mlx	mlPolicy.mpi	MPI (OpenMPI) + SSH 자동 설정
torchtune-*	torchtune	mlPolicy.torch	tune run + rdzv 자동 설정

TensorFlow runtime은 없다. 따라서 Custom ClusterTrainingRuntime을 직접 생성해야 한다.

PyTorch vs TensorFlow Runtime 핵심 차이

┌─────────────────────────────────────────────────────────────────────┐
│                    PyTorch Runtime (built-in)                       │
│                                                                     │
│  mlPolicy.torch → 컨트롤러가 자동으로:                               │
│    ├── torchrun 엔트리포인트 주입                                    │
│    ├── MASTER_ADDR, MASTER_PORT 설정                                │
│    ├── RANK, LOCAL_RANK, WORLD_SIZE 설정                            │
│    └── rdzv (rendezvous) 자동 구성                                   │
│                                                                     │
│  → 학습 코드에서 분산환경 설정 불필요                                  │
└─────────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────────┐
│                 TensorFlow Runtime (custom)                         │
│                                                                     │
│  mlPolicy에 framework 없음 → 컨트롤러가 주입하는 것 없음             │
│                                                                     │
│  학습 스크립트에서 자체 구성:                                         │
│    ├── Pod hostname 파싱 → TrainJob 이름, worker index 추출          │
│    ├── Headless Service DNS로 worker 주소 목록 생성                  │
│    ├── TF_CONFIG 환경변수 자동 구성                                   │
│    └── tf.distribute.MultiWorkerMirroredStrategy 사용                │
│                                                                     │
│  필수 설정:                                                          │
│    ├── network.publishNotReadyAddresses: true (DNS 조기 해석)        │
│    └── NUM_WORKERS 환경변수 = mlPolicy.numNodes                      │
└─────────────────────────────────────────────────────────────────────┘

TF_CONFIG 자동 구성 원리

Trainer v2에서 TrainJob을 생성하면 내부적으로 JobSet이 만들어지고, 각 Pod은 예측 가능한 hostname을 갖는다:

Pod hostname 패턴: {trainjob-name}-node-{replica_index}-{completion_index}

예시 (TrainJob: tf-distributed-training, numNodes: 2):
  Worker 0: tf-distributed-training-node-0-0
  Worker 1: tf-distributed-training-node-1-0

Headless Service DNS와 결합하면:

Worker 0: tf-distributed-training-node-0-0.tf-distributed-training.default.svc.cluster.local:12345
Worker 1: tf-distributed-training-node-1-0.tf-distributed-training.default.svc.cluster.local:12345

학습 스크립트가 이를 파싱하여 자동으로 TF_CONFIG를 생성한다:

{
  "cluster": {
    "worker": [
      "tf-distributed-training-node-0-0.tf-distributed-training.default.svc.cluster.local:12345",
      "tf-distributed-training-node-1-0.tf-distributed-training.default.svc.cluster.local:12345"
    ]
  },
  "task": {"type": "worker", "index": 0}
}

파일 구조

.
├── README.md                                      # 이 문서
├── tensorflow-custom-runtime.yaml                 # TF Custom Runtime (기본, Volcano 미포함)
├── tensorflow-volcano-trainjob-integration.yaml   # TF + Volcano 전체 통합 (ConfigMap + Queue + Runtime + TrainJob)
└── volcano-trainjob-integration.yaml              # (참고) PyTorch + Volcano 통합 원본

적용 방법

1단계: 기본 TensorFlow Runtime만 적용

Volcano 없이 기본 TF 런타임만 필요한 경우:

kubectl apply -f tensorflow-custom-runtime.yaml

확인:

kubectl get clustertrainingruntime
# tensorflow-distributed 가 목록에 나타나야 함

2단계: Volcano 연동 전체 적용

Volcano gang scheduling + 토폴로지 인식 스케줄링이 포함된 전체 버전:

# ConfigMap (학습 스크립트) + Queue + Runtime + TrainJob 한번에 적용
kubectl apply -f tensorflow-volcano-trainjob-integration.yaml

확인:

# Runtime 확인
kubectl get clustertrainingruntime tensorflow-distributed-volcano

# TrainJob 상태 확인
kubectl get trainjob tf-distributed-training

# Pod 상태 확인
kubectl get pods -l batch.kubernetes.io/job-name

# Volcano PodGroup 확인
kubectl get podgroup

# 로그 확인 (worker 0)
kubectl logs -l batch.kubernetes.io/job-name=tf-distributed-training-node-0 -f

3단계: TrainJob만 변경하여 재실행

Runtime은 유지하고 TrainJob만 변경할 경우:

# 기존 TrainJob 삭제
kubectl delete trainjob tf-distributed-training

# 수정 후 재적용
kubectl apply -f tensorflow-volcano-trainjob-integration.yaml

주의사항

NUM_WORKERS와 numNodes 동기화

NUM_WORKERS 환경변수는 mlPolicy.numNodes (또는 TrainJob의 trainer.numNodes)와 반드시 일치해야 한다.

PyTorch runtime은 컨트롤러가 WORLD_SIZE를 자동 주입하지만, 커스텀 TF runtime은 이를 수동으로 관리해야 한다.

# Runtime에서 기본값 설정
spec:
  mlPolicy:
    numNodes: 2      # ← 이 값과
  ...
  env:
    - name: NUM_WORKERS
      value: "2"     # ← 이 값이 일치해야 함

TrainJob에서 numNodes를 오버라이드할 경우, env도 함께 오버라이드해야 한다:

apiVersion: trainer.kubeflow.org/v1alpha1
kind: TrainJob
spec:
  runtimeRef:
    name: tensorflow-distributed-volcano
  trainer:
    numNodes: 4         # 4노드로 변경
    env:
      - name: NUM_WORKERS
        value: "4"      # 반드시 함께 변경

InfiniBand 설정

클러스터에 InfiniBand가 없는 경우 다음 항목을 제거해야 한다:

# 제거 대상:
metadata:
  annotations:
    k8s.v1.cni.cncf.io/networks: hostdevice-net   # ← 제거

resources:
  requests:
    nvidia.com/hostdev: "2"   # ← 제거
  limits:
    nvidia.com/hostdev: "2"   # ← 제거

network.publishNotReadyAddresses

TensorFlow의 MultiWorkerMirroredStrategy는 시작 시 모든 worker에 gRPC 연결을 시도한다. 모든 Pod이 Ready 상태가 되기 전에도 DNS가 해석되어야 하므로 이 설정이 필수다:

spec:
  template:
    spec:
      network:
        publishNotReadyAddresses: true   # 반드시 true

PyTorch runtime에서는 torchrun의 rdzv(rendezvous) 메커니즘이 이를 처리하므로 불필요하다.