来源｜Apache Flink 官方博客
Apache Flink 社区很荣幸地宣布 Apache Flink ML 2.1.0 版本正式发布！本次发布的版本重点改进了 Flink ML 的基础设施，例如 Python SDK，内存管理，以及性能测试框架，来帮助开发者基于 Flink ML 开发具有高性能，高稳定性，以及高易用性的机器学习算法库。
基于本次发版中提出的改进，以及我们得到的性能测试结果，我们相信 Flink ML 的基础设施已经准备好提供给社区开发者使用，来开发高性能的、支持 Python 环境的机器学习算法库。
我们鼓励您下载该版本 [1] 并通过 Flink 邮件列表 [2] 或 JIRA [3] 与社区分享您的反馈！我们希望您喜欢新版本，并且我们期待了解您的使用体验。
重要特性
1. 算子接口和基础设施
1.1 支持算子级别粒度的内存管控
在之前的版本中，机器学习算子的内部状态数据，例如需要被缓存并在每轮迭代中重复读取的训练数据，是被储存在 state backend 中。这些数据之前只能是全量放在内存中，或者全量放在磁盘上。前一种情况，状态数据量大的情况下，可能导致 OOM 和降低作业稳定性。后一种情况，由于每轮迭代会需要从磁盘读取全量数据并且进行反序列化，在状态数据量不大的情况下，性能低于把数据放在内存中的做法。这个问题增加了开发者开发高性能和高稳定性算子的难度。
在本次发版中，我们改进了 Flink ML 的基础设施，允许指定一个算子可以使用的托管内存配额。在算子状态数据量低于配额的情况下，这些状态数据会被存放在 Flink 的管控内存中。当算子状态数据量高于配额时，超出配额的数据会被存放在磁盘上，以避免产生 OOM。算法开发者可以使用这个机制允许算子对于不同的输入数据量，都能提供最佳性能。开发者可以参考 KMeans 算子的代码来学习使用这个机制。
1.2 开发在线训练算法的基础设施的改进
Flink ML 的一个重要目标是推动在线训练算法的发展。在上一个版本中，我们通过提供 setModelData() 和 getModelData() 方法，让在线训练算法的模型数据能以无限数据流的形式被传输和保存，增强了 Flink ML API 对于在线训练算法的支持能力。本次发版进一步改进和验证了 Flink ML 基础设施对于在线训练算法的支持能力。
本次发版添加了 2 个在线训练算法 (i.e. OnlineKMeans and OnlineLogisticRegression)，并提供了单元测试，验证和测试了这些算法的正确性。这两个算法引入了 global batch size，模型版本等概念，并提供了指标和接口来设置和读取相应的信息。虽然这两个算法的预测准确率还没经过调优，但是这些工作将帮助我们进一步建立开发在线训练算法的最佳实践。我们希望越来越多的社区贡献者能加入我们，共同完成这个目标。
1.3 算法性能测试框架
一个易于使用的性能测试框架对于开发和维护高性能的 Flink ML 算法库是至关重要的。本次发版添加了一个性能测试框架，支持编写可插拔可复用的数据生成器，可以读入 JSON 格式的配置，并将性能测试结果以 JSON 格式输出，以支持可定制化的性能测试结果可视化分析。我们提供了开箱可用的脚本将性能测试结果转换为图表。感兴趣的读者可以阅读这份文档 [4] 来了解如何使用这个测试框架。
2. Python SDK
本次发版增强了 Python SDK 的基础设施，支持 Python 算子调用相应的 Java 算子来完成训练和推理。Python 算子可以提供和 Java 算子相同的性能。这个功能可以极大提升 Python 算法库的开发效率，让算法开发者可以为一套算法同时提供 Python 和 Java 算法库，而无需重复实现算法的核心逻辑。
3. 算法库
本次发版延续之前的算法库开发工作，为多种机器学习算法类别添加了代表性的算法，来验证 Flink ML 基础设施的功能和性能。
以下是本次发版中新增加的算法：
- 特征工程: MinMaxScaler, StringIndexer, VectorAssembler, StandardScaler, Bucketizer
- 在线学习: OnlineKmeans, OnlineLogisiticRegression
- 回归算法: LinearRegression
- 分类算法: LinearSVC
- 评估算法: BinaryClassificationEvaluator