「AI开发者成长计划」首期公开课由机器之心与微众银行联合开设，主题为《联邦学习FATE入门与应用实战》，特邀合作伙伴 VMware 也将参与分享。 公开课为期4周，共6期课程 ，设置主题分享、项目实践、在线答疑等环节，从零入门联邦学习。
整体学习计划与加入方式请查看：《联邦学习FATE入门与应用实战》公开课上线！
3 月 19 日，机器之心联合微众银行开设的公开课《联邦学习 FATE 入门与应用实战》 第四讲结课，VMware CTO 办公室资深研究员彭麟为大家介绍了使用 KubeFATE 部署生产环境的联邦学习 Kubernetes 集群。第四讲回顾视频：
第三课精选问答
1、生产环境是多个机构一起部署的，需要对方机构提供什么样的权限？
在正式的生产环境周，多个机构应该独立部署自己的FATE集群，然后通过FATE-Cloud连接起来一起进行联邦学习。FATE-Cloud还在开发完善中。
KubeFATE在部署的时候尽量保证采用通用方案，所以只要保证网络通道，可以按照各组织的安全部门要求，加上安全保护。
2、gRPC访问失败的原因是？
gRPC访问失败的可能原因很多，很难一概而论。按照我们的经验，可以观察下报的时间点。如果是一开是执行就报错，很可能是proxy的route_table配置错误，可以检查下。如果是如本课那样，由kubeFATE部署的Kubernetes集群，就是你的cluster.yaml里有写错的地方；如果任务已经顺利跑起来，显示任务正在运行，突然跳出一堆gRPC错误，那很可能是egg的processor起的过多，资源不够。可以参考：https://github.com/FederatedAI/KubeFATE/wiki/KubeFATE#1-running-toy-example-failed里改小eggroll.computing.processor.session.max.count的配置；还有其他原因引起gRPC错误，譬如网络真的出现问题。
所以gRPC错误具体问题具体分析去解决。
3、Native部署与k8s部署优劣？
目前FATE的部署可以划分为四种方案，都各有优缺点和适应的场景。我主观的想法是：
如果您想很快体验一下FATE，或者跑的模型和数据在单台机器就够了，建议使用第二节课介绍得KubeFATE -> Docker-Compose的部署方案。这是门槛最低，最简单的部署方案，因为你不需要解决依赖环境带来的种种安装困难，唯一需要的只是装一个Docker；
第二种是standalone的方案，我觉得如果您只是想开发算法，需要如第三节课那样用Python去开发，而开发机器性能又不高，也想去测试底层的egg那些模块，那standalone是很方便的方案；
然后是今天介绍的KubeFATE -> Kubernetes的部署方案。这是你对FATE的使用需求因数据集和模型变大，需要扩容，并且里面有数据需要维护一个FATE集群，所以考虑集群管理高级功能自然的需求；
最后是Native的集群部署方案。除非是因为特殊原因，譬如组织内部无法部署Kubernetes，或者需要对FATE的部署进行自己的二次开发，否则我个人不是很推荐这个方案。即使使用这个方案，也推荐结合其他编排工具，譬如Ansible，Puppet类的来辅助，因为大规模部署我们需要讲究一致性。
4、企业一般用的部署方式是什么呢？
这是个选型问题。我个人比较推荐企业使用KubeFATE的Kubernetes方案来部署。一来，这样可以对集群以一个整体去运维；二来Kubernetes也是主流跑分布式任务的事实标准，社区也有很多可以使用的工具辅助管理。
5、k8s部署不需要java、python吗？
这就是container部署的优势，这些依赖包都已经打包在了镜像里面。
6、不太明白为什么会用k8s管理？ 由一个机构批量部署其他机构的环境？
一个机构不会部署别的机构环境。但是:
1、FATE本身就是个复杂的分布式系统，有横向扩容等需求，所以Kubernetes可以很好解决这些问题；
2、一个机构内部可以有多个FATE的集群，譬如一个是开发用的，一个是生产用的；或者不同部门使用不同的FATE集群，也有可能有多个版本的FATE集群同时在跑。这些依托Kubernetes的namespace都可以很好的去解决。
7、每个机构独立部署自己的kubefate吗？还是不同机构的kubefate协同完成联邦？
对，每个机构部署自己的KubeFATE。不同机构可以用FATE-Cloud来协同，而FATE-Cloud会调用KubeFATE。
8、联邦需要做免密吗？
这其实是安全问题，是不能简单的做免密的。这个FATE-Cloud会解决，大家可以期待一下。
