ML.NET机器学习、API容器化与Azure DevOps实践（四）：持续集成与k8s持续部署
通过上文所介绍的内容，我们已经完成了RESTful API的开发，现在，就可以使用Azure DevOps来进行持续集成（CI）和k8s持续部署（CD）了。本文我会对使用Azure DevOps进行CI/CD的过程中需要注意的地方进行详细介绍，而对于Azure DevOps配置的详细步骤，我不会做太多注解，大家可以参考我前面写的《ASP.NET Core应用程序容器化、持续集成与Kubernetes集群部署》系列文章。
在使用Azure DevOps进行CI/CD之前，首先来了解一下整个开发部署的架构拓扑，下图展示了基于Azure DevOps进行持续集成和持续部署的架构拓扑：
我们首先使用Visual Studio 2019来开发ML.NET模型训练的项目，用以生成训练模型，并使用Visual Studio 2019开发了基于ASP.NET Core的RESTful API，这些代码都由Azure DevOps Repo进行托管。然后，Azure DevOps Build Pipeline会对源代码进行编译，将RESTful API应用程序编译成docker镜像然后推送到Azure Container Registry上，并执行模型训练程序，产生训练模型ZIP文件，并由Release Pipeline将训练模型保存到Azure Blob Storage中。Release Pipeline的另一个任务就是通过定义好的Kubernetes部署文件，将RESTful API部署到Azure Kubernetes Services集群。运行于ASP.NET Core中的RESTful API在启动的时候，会访问Azure Blob Storage读取训练模型，同时向客户端提供API端点。整套CI/CD体系，包括代码托管，包括容器注册表，包括容器集群等，全部都由Microsoft Azure提供。不过，出于费用方面的考虑，我没有使用Azure Container Registry，而是使用docker hub，在代码托管方面，也没有使用Azure Repo，而是使用的Github。
总结起来，Build Pipeline和Release Pipeline的任务如下：
- Build Pipeline：从代码库下载代码，编译并运行训练程序，生成训练模型文件；将ASP.NET Core RESTful API编译成docker镜像并推送到docker hub；最后，将训练模型文件以及用于k8s部署的配置文件进行存档，以供Release Pipeline使用
- Release Pipeline：读取Build Pipeline所保存的训练模型文件，将其保存到Azure Blob Storage；然后读取Build Pipeline所保存的k8s配置文件，将RESTful API容器镜像部署到k8s环境运行
下面，我简要介绍一下这两个部分的配置过程以及注意事项。
Build Pipeline的配置
以下是本案例的Build Pipeline的配置：
在Build Pipeline里，我定义了两个Agent job：Build Training Model以及Build Web API。前者运行在Hosted VS2017的Agent pool中，后者运行在Hosted Ubuntu 1604的Agent pool中。两者可以并行执行，因为互相并没有依赖。Build Training Model会下载训练程序，在.NET Core下编译并执行这个训练程序，并产生训练模型文件，通过Publish Artifact: Trained Model任务，将训练模型保存起来。而Publish Artifact: Drop k8s deployment script任务则比较简单了，仅仅是将代码库中预先写好的k8s配置文件保存下来，仅此而已。
在Build Web API这个job里，会将ASP.NET Core RESTful API编译成docker容器镜像，并推送到docker hub中，详细配置步骤都比较简单，也就不多说明了。
Release Pipeline的配置
以下是本案例的Release Pipeline的配置：
在Artifacts设置中，会从Build Pipeline将训练模型文件和部署文件复制过来，接下来，在Publish Model to Azure Blob stage中，会将训练模型复制到Azure Blob Storage中，这里使用的是Azure File Copy任务，我们只需要将Azure Subscription的信息以及Azure Blob Storage的连接信息填入即可。
在Kubernetes Deployment job中，使用Deploy to Kubernetes任务，即可快速方便地将ASP.NET Core RESTful API方便地部署到Azure Kubernetes Services托管的k8s集群中。需要注意的是，由于RESTful API需要访问Azure Blob Storage来读取机器学习的训练模型（这一点在上一讲已经提到过），因此，在这里就要将访问Blob Storage的连接信息通过ConfigMap配置到k8s集群中：
从k8s.deploy.yml文件可以看到，环境变量是如何通过ConfigMap设置到集群中的服务上的：
apiVersion: v1
items:
- apiVersion: extensions/v1beta1
kind: Deployment
metadata:
name: mlnet-webapi-deployment
spec:
replicas: 2
template:
metadata:
labels:
app.name: mlnet
spec:
containers:
- image: daxnet/mlnet_webapi
name: mlnet-webapi
ports:
- containerPort: 80
env:
- name: BLOB_DEFAULT_ENDPOINTS_PROTOCOL
valueFrom:
configMapKeyRef:
name: mlnet-config
key: BLOB_DEFAULT_ENDPOINTS_PROTOCOL
- name: BLOB_ACCOUNT_NAME
valueFrom:
configMapKeyRef:
name: mlnet-config
key: BLOB_ACCOUNT_NAME
- name: BLOB_ACCOUNT_KEY
valueFrom:
configMapKeyRef:
name: mlnet-config
key: BLOB_ACCOUNT_KEY
- name: BLOB_ENDPOINT_SUFFIX
valueFrom:
configMapKeyRef:
name: mlnet-config
key: BLOB_ENDPOINT_SUFFIX
restartPolicy: Always
- apiVersion: v1
kind: Service
metadata:
labels:
app.name: mlnet
name: mlnet-webapi-service
spec:
type: LoadBalancer
ports:
- name: "expose-80"
port: 80
targetPort: 80
selector:
app.name: mlnet
kind: List
metadata: {}
测试已部署的RESTful API
通过kubectl客户端命令，可以查看我们的API是否已经部署成功：
然后，使用mlnet-webapi-service服务的EXTERNAL-IP地址，对API进行测试：
已经得到预测结果，API部署和调用成功。
总结
本系列文章一共四个部分，首先介绍了机器学习的基本概念，然后介绍了基于ML.NET的机器学习案例以及训练模型生成、RESTful API的开发，最后简要介绍了基于Azure DevOps实现持续集成、持续部署以及Azure Kubernetes Service k8s集群部署的过程。本系列文章也是我在Microsoft Global Azure Bootcamp 2019上海站活动中所分享的内容。整个案例的源代码可以从Github下载：https://github.com/daxnet/mlnet-trainer。
