# 内网机器学习平台技术方案

## 目录
1. 项目概述
2. 系统架构
3. 核心功能
4. 部署指南
5. API接口文档
6. 注意事项

---

## 1. 项目概述
### 1.1 目标
为科研单位提供内网机器学习平台，支持：
- 算法选择与模型训练
- 超参数自动优化
- 模型评估与部署
- 批量预测服务

### 1.2 技术栈
| 组件     | 技术选型       |
| -------- | -------------- |
| Web框架  | FastAPI        |
| 任务队列 | Celery + Redis |
| 数据存储 | MySQL          |
| 模型管理 | MLflow         |
| 超参优化 | Optuna         |

---

## 2. 系统架构

```mermaid
graph TD
A[Web UI/API] --> B[FastAPI]
B --> C[算法仓库]
B --> D[MySQL]
B --> E[Celery Worker]
E --> F[GPU训练]
C --> G[MLflow模型仓库]
G --> H[批量预测服务]
```

---

## 3. 核心功能

### 3.1 算法管理

```python
预置算法示例
ALGORITHMS = {
"xgboost": {
"type": "classification",
"params": {
"max_depth": {"type": "int", "range": [3,10]},
"learning_rate": {"type": "float", "range": [0.001,0.1]}
}
},
"random_forest": {...}
}
```

### 3.2 训练流程
1. 接收训练请求
2. 数据预处理
3. 自动超参优化（可选）
4. 模型训练与评估
5. 模型注册到MLflow

### 3.3 数据预处理
```python
class DataPreprocessor:
    SUPPORTED_FORMATS = ['csv', 'parquet', 'hdf5']
    
    def __init__(self, config):
        self.pipeline = [
            ('缺失值处理', SimpleImputer()),
            ('标准化', StandardScaler()),
            ('特征选择', SelectKBest(k=20))
        ]
        
    def split_data(self, test_size=0.2, random_state=42):
        # 自动记录数据划分版本
        train, test = train_test_split(self.data, test_size=test_size)
        return train, test, self._generate_data_hash()
```

### 3.4 数据版本控制
```mermaid
graph LR
A[原始数据] --> B[预处理]
B --> C[训练集 v1]
B --> D[测试集 v1]
C --> E[模型训练]
D --> F[模型评估]
E --> G[元数据记录]
F --> G
```

### 3.5 硬件感知训练
```python
class HardwareAwareTraining:
    def __init__(self):
        self.gpu_mem = self.get_gpu_memory()
        
    def auto_batch_size(self, model_type):
        # 根据GPU显存自动调整批大小
        base_sizes = {
            'DNN': 1024,
            'LSTM': 256,
            'Transformer': 64
        }
        return base_sizes[model_type] * (self.gpu_mem // 16384)  # 按16GB基准缩放
```

### 3.6 显存监控
```python
class MemoryMonitor(Callback):
    def on_epoch_end(self, epoch, logs=None):
        used_mem = torch.cuda.memory_allocated() // 1024**2
        print(f"当前显存占用: {used_mem}MB / {TOTAL_GPU_MEM}MB")
        if used_mem > SAFE_THRESHOLD:
            self.model.stop_training = True
```

### 3.7 训练稳定性保障
```python
# 梯度裁剪实现
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
optimizer = torch.optim.ClipGradNorm(optimizer, max_norm=1.0)

# 早停机制
early_stop = EarlyStopping(
    monitor='val_loss',
    patience=5,
    mode='min'
)
```

### 3.8 数据安全处理
```python
class DataSanitizer:
    def __init__(self):
        self.sensitive_patterns = [
            r'\d{18}',       # 身份证号
            r'\d{11}'        # 手机号
        ]
        
    def clean(self, data):
        # 数据脱敏处理
        return data.replace(self.sensitive_patterns, '***')
```

### 3.9 完整流程示意图
```mermaid
graph TD
A[数据接入] --> B[数据质量检查]
B --> C[数据预处理]
C --> D[特征工程]
D --> E[算法选择]
E --> F[模型训练]
F --> G[模型评估]
G --> H[模型注册]
H --> I[模型部署]
I --> J[预测服务]
J --> K[效果监控]
K -->|反馈| A
```

### 3.10 新增关键模块说明

**数据质量检查**：
```python
class DataValidator:
    CHECKS = [
        ('缺失值比例 < 30%', lambda df: df.isna().mean() < 0.3),
        ('特征方差 > 0.01', lambda df: df.var() > 0.01),
        ('类别平衡性 > 0.1', lambda df: check_class_balance(df))
    ]
    
    def validate(self, data):
        return {check[0]: check[1](data) for check in self.CHECKS}
```

**实验跟踪**：
```python
class ExperimentTracker:
    def __init__(self):
        self.runs = {}
        
    def log_run(self, params, metrics, data_version):
        run_id = generate_uuid()
        self.runs[run_id] = {
            'timestamp': datetime.now(),
            'data_version': data_version,
            'params': params,
            'metrics': metrics
        }
```

**模型监控**：
```python
class ModelMonitor:
    def detect_drift(self, current_data, reference_data):
        # 计算数据分布差异
        psi = calculate_psi(current_data, reference_data)
        return psi > 0.25  # 触发重新训练阈值
```

---

## 4. 部署指南
### 4.1 环境要求
- Python 3.8+
- MySQL 5.7+
- NVIDIA驱动（CUDA 11.6）

### 4.2 离线安装步骤

```bash:doc/ml_platform_spec.md
# 1. 安装依赖
pip install --no-index --find-links=./offline_packages -r requirements.txt

# 2. 数据库初始化
mysql -u root -p < scripts/init_db.sql

# 3. 启动服务
docker-compose up -d
```

---

## 5. API接口文档

### 5.1 核心接口概览
| 类别     | 接口路径               | 方法   | 功能说明           |
| -------- | ---------------------- | ------ | ------------------ |
| 数据管理 | /api/data/upload       | POST   | 上传原始数据集     |
|          | /api/data/versions     | GET    | 查询数据版本历史   |
| 模型训练 | /api/train             | POST   | 提交训练任务       |
|          | /api/train/status/{id} | GET    | 查询训练状态       |
| 模型管理 | /api/models            | GET    | 获取已注册模型列表 |
|          | /api/models/{id}       | DELETE | 删除指定模型       |
| 预测服务 | /api/predict/single    | POST   | 单条实时预测       |
|          | /api/predict/batch     | POST   | 批量异步预测       |
| 系统管理 | /api/system/health     | GET    | 系统健康检查       |

### 5.2 训练接口详情
```http
POST /api/train
Content-Type: application/json

{
  "algorithm": "xgboost",
  "dataset": "/data/project1.csv",
  "hpo": true,
  "hpo_config": {
    "max_trials": 50,
    "timeout": 3600
  }
}

Response:
{
  "task_id": "train_01H9Z3X6V9",
  "status_url": "/api/train/status/train_01H9Z3X6V9"
}
```

### 5.3 模型查询接口
```http
GET /api/models?type=classification

Response:
{
  "models": [
    {
      "id": "xgb_v1",
      "type": "classification",
      "metrics": {
        "accuracy": 0.92,
        "f1": 0.89
      },
      "registered_at": "2023-08-20T14:30:00"
    }
  ]
}
```

### 5.4 预测接口安全控制
```http
POST /api/predict/single
Content-Type: application/json
X-API-Key: your_api_key

{
  "model_id": "xgb_v1",
      "features": [0.5, 1.2, 3.4]
}

Response:
{
  "prediction": 1,
  "confidence": 0.87
}
```

### 5.5 新增实验对比接口
```http
POST /api/experiments/compare
Content-Type: application/json

{
  "experiment_ids": ["exp001", "exp002"],
  "metrics": ["accuracy", "f1"]
}

Response:
{
  "comparison": {
    "exp001": {"accuracy": 0.92, "f1": 0.89},
    "exp002": {"accuracy": 0.89, "f1": 0.85}
  }
}
```

---

## 6. 注意事项
1. 数据安全
   - 训练数据最大保留30天
   - 模型文件加密存储

2. 性能优化
   - 单次训练数据量建议不超过1GB
   - 批量预测支持CSV文件（最大100MB）

3. 扩展建议
   - 未来可扩展AutoML模块
   - 支持ONNX模型格式

### 6.4 硬件优化建议
1. **显存管理策略**
   - 自动批处理调整（根据数据维度动态计算）
   - 梯度累积技术（累计步数≤4）

2. **训练稳定性措施**
   - 梯度裁剪阈值：1.0
   - 学习率自动衰减（衰减率0.1）
   - 最大连续失败次数：3次（自动终止异常任务）

3. **容错机制**
   - 训练快照（每小时保存checkpoint）
   - 异常恢复（从最近checkpoint重启）

### 6.5 数据管理规范
1. **输入格式要求**
   - CSV文件必须包含header行
   - 数值型字段空值用NaN表示
   - 分类字段需预先编码

2. **数据生命周期**
   ```mermaid
   graph LR
   A[原始数据] --> B[预处理数据]
   B --> C[训练数据]
   C --> D[30天后删除]
   ```

3. **版本控制规则**
   - 数据划分随机种子固定
   - 每次预处理生成唯一数据指纹
   - 测试集数据指纹与模型版本绑定

### 6.6 流程完整性保障
1. **数据质量红线**
   - 缺失值超过30%的特征自动剔除
   - 零方差特征自动过滤
   - 类别不平衡数据触发警告

2. **实验可复现性**
   - 记录随机种子状态
   - 保存完整依赖版本
   - 存储数据预处理参数

3. **模型监控机制**
   - 预测结果分布监控
   - 特征漂移检测（PSI指标）
   - 模型性能衰减报警

---

## 附录
### A. 初始化脚本示例
```sql
-- scripts/init_db.sql
CREATE DATABASE IF NOT EXISTS ml_platform;
USE ml_platform;

CREATE TABLE training_jobs (
    id VARCHAR(36) PRIMARY KEY,
    algorithm VARCHAR(50) NOT NULL,
    status ENUM('pending', 'running', 'completed') DEFAULT 'pending'
);
```

### B. 目录结构
```
.
├── docker-compose.yml
├── app/
│   ├── algorithms/    # 算法实现
│   ├── services/      # 核心服务
│   └── api/           # 接口定义
└── data/              # 训练数据集
```

完整文档已生成到项目doc目录，包含详细配置示例和接口说明。需要补充其他内容请随时告知。

### C. 资源监控指标
| 指标名称         | 采集方式       | 告警阈值       |
| ---------------- | -------------- | -------------- |
| GPU显存使用率    | NVIDIA-SMI API | >85% 持续5分钟 |
| 训练内存占用     | psutil 库监控  | >70% 系统内存  |
| 训练进程存活状态 | 心跳检测       | 连续3次丢失    |

### D. 稳定性测试用例
```python
def test_oom_recovery():
    # 模拟显存溢出场景
    try:
        train_model(oversize_data)
    except RuntimeError as e:
        assert "CUDA out of memory" in str(e)
        assert check_rollback_success()