IPC在不同的Docker容器中跨Python脚本共享内存

Question

问题

我已经编写了一个神经网络分类器，它接收大量图像（每个图像约1-3gb），对它们进行修补，然后将这些补丁分别通过网络。训练进行得很慢，所以我对它进行了基准测试，发现从一个图像将补丁加载到内存中需要大约50秒（使用Openslide library），而通过模型只需要大约0.5秒。在

然而，我正在研制一台拥有1.5Tb内存的超级计算机，其中只有26GB的内存被利用。数据集总计约500Gb。我的想法是，如果我们能够将整个数据集加载到内存中，它将大大加快训练速度。但是我和一个研究团队合作，我们正在多个Python脚本上进行实验。所以理想情况下，我希望在一个脚本中将整个数据集加载到内存中，并能够跨所有脚本访问它。在

更多详情：

• 我们在不同的Docker容器（在同一台机器上）中运行我们的单独实验，因此数据集必须可以跨多个容器访问。在
• 数据集是Camelyon16 dataset；图像以.tif格式存储。在
• 我们只需要读图像，不需要写。在
• 我们一次只需要访问数据集的一小部分。在

可能的解决方案

我发现了很多关于如何在多个Python脚本之间共享Python对象或内存中的原始数据的帖子：

跨脚本共享Python数据

在多处理模块| Example 1| Example 2| Docs - Server Processes| Docs - SyncManagers中使用SyncManager和BaseManager的服务器进程

• 优点：可以通过网络由不同计算机上的进程共享（是否可以由多个容器共享？）在
• 可能的问题：根据文件，比使用共享内存慢。如果我们使用一个客户机/服务器跨多个容器共享内存，这会比从磁盘读取的所有脚本快吗？在
• 可能的问题：根据this answer，Manager对象在发送对象之前对其进行pickle处理，这可能会降低速度。在

mmap模块| Docs

• 可能的问题：mmap将文件映射到virtual memory, not physical memory-它创建了一个临时文件。在
• 可能的问题：因为我们一次只使用数据集的一小部分，虚拟内存将整个数据集放在磁盘上，因此我们遇到了thrashing问题和程序问题。在

Pyro4（Python对象的客户机服务器）| Docs

Python的sysv_ipc模块。This demo看起来很有前途。在

• 可能的问题：可能只是内置的multi-processing模块中可用的lower level exposure？在

我还发现了Python中IPC/networking的this list选项。在

有些讨论服务器-客户机设置，有些讨论序列化/反序列化，这恐怕比从磁盘读取要花更长的时间。我找到的答案中没有一个能解决我的问题，即这些问题是否会导致I/O性能的提高

跨Docker容器共享内存

我们不仅需要跨脚本共享Python对象/内存，还需要跨Docker容器共享它们。在

Docker documentation很好地解释了--ipc标志。对我来说，有意义的是：

docker run -d --ipc=shareable data-server
docker run -d --ipc=container:data-server data-client

但是，当我使用如上所述设置的--ipc连接在不同的容器中运行客户机和服务器时，它们无法相互通信。我读过的SO问题（1，2，3，4）没有解决在不同的Docker容器中Python脚本之间共享内存的集成问题。在

我的问题：

• 1： 它们中的任何一个都能提供比从磁盘读取更快的访问速度吗？认为跨进程/容器共享内存中的数据可以提高性能是否合理？在
• 2： 对于跨多个docker容器共享内存中的数据，哪种解决方案最合适？在
• 3： 何如何将Python的内存共享解决方案与docker run --ipc=<mode>集成？（共享的IPC名称空间是在docker容器之间共享内存的最佳方式吗？）在
• 4： 有没有比这些更好的解决方案来解决大I/O开销的问题？在

最小工作示例-更新。不需要外部依赖项！在

这是我在不同容器中的Python脚本之间共享内存的天真方法。当Python脚本运行在同一个容器中时，它是有效的，但当它们在不同的容器中运行时，它就不起作用了。在

server.py

^{pr2}$

client.py

from multiprocessing.managers import SyncManager
import multiprocessing
import sys, time

class MyManager(SyncManager):
    pass

MyManager.register("patch_dict")

if __name__ == "__main__":
    port_num = 4343

    manager = MyManager(("127.0.0.1", port_num), authkey=b"password")
    multiprocessing.current_process().authkey = b"password"
    manager.connect()
    patch_dict = manager.patch_dict()

    keys = list(patch_dict.keys())
    for key in keys:
        image_patches = patch_dict.get(key)
        # Do NN stuff (irrelevant)

当脚本在同一个容器中运行时，这些脚本可以很好地共享图像。但当它们在不同的容器中运行时，如下图所示：

# Run the container for the server
docker run -it --name cancer-1 --rm --cpus=10 --ipc=shareable cancer-env
# Run the container for the client
docker run -it --name cancer-2 --rm --cpus=10 --ipc=container:cancer-1 cancer-env

我得到以下错误：

Traceback (most recent call last):
  File "patch_client.py", line 22, in <module>
    manager.connect()
  File "/usr/lib/python3.5/multiprocessing/managers.py", line 455, in connect
    conn = Client(self._address, authkey=self._authkey)
  File "/usr/lib/python3.5/multiprocessing/connection.py", line 487, in Client
    c = SocketClient(address)
  File "/usr/lib/python3.5/multiprocessing/connection.py", line 614, in SocketClient
    s.connect(address)
ConnectionRefusedError: [Errno 111] Connection refused

Answer 1

我建议您尝试使用tmpfs。在

它是一个linux特性，允许您创建一个虚拟文件系统，所有文件都存储在RAM中。这允许非常快速的文件访问，只需要一个bash命令即可设置。在

除了非常快速和直截了当之外，它在您的案例中还有许多优势：

• 不需要接触当前代码-数据集的结构保持不变
• 创建共享数据集不需要额外的工作-只需cp将数据集放入tmpfs
• 通用接口——作为一个文件系统，你可以很容易地将内存上的数据集与系统中不需要用python编写的其他组件集成在一起。例如，在你的容器内使用它很容易，只需将挂载目录传递到容器中即可。在
• 将适合其他环境-如果您的代码必须在另一台服务器上运行，tmpfs可以调整并交换页面到硬盘驱动器。如果你必须在没有空闲RAM的服务器上运行这个程序，你可以把你所有的文件都放在一个普通的文件系统的硬盘上，而不需要接触你的代码。在

使用步骤：

1. 创建一个tmpfs-sudo mount -t tmpfs -o size=600G tmpfs /mnt/mytmpfs
2. 复制数据集-cp -r dataset /mnt/mytmpfs
3. 将当前数据集的所有引用更改为新数据集
4. 享受

---

编辑：

在某些情况下，ramfs可能比tmpfs快，因为它不实现页交换。要使用它，只需在上面的说明中将tmpfs替换为ramfs。在