1. KVStore里的Barrier
在mxnet的分布式训练里，主要模式就是参数服务器。每个worker或者agent就是一台machine，server用于参数的更新。那么，当我们期望在不同的worker之间进行同步的时候，就会需要到barrier这个方法。
当代码运行在worker的时候，我们可以通过调用kv._barrier()来进行同步。它的作用就是，会阻塞代码运行，直到每个worker都运行了kv._barrier()。然后接着运行。这样就实现了同步。
那么它是怎么做到的呢？
通过源码，我们不难发现，python端的接口调用了c++端的方法：
void Barrier() override {
ps::Postoffice::Get()->Barrier(ps_worker_->get_customer()->customer_id(), ps::kWorkerGroup);
}
这个全局的Postoffice的Barrier方法的部分源码如下：
void Postoffice::Barrier(int customer_id, int node_group) {
// 省略部分代码
// 省略部分代码
std::unique_lock<std::mutex> ulk(barrier_mu_);
barrier_done_[0][customer_id] = false;
Message req;
req.meta.recver = kScheduler;
req.meta.request = true;
req.meta.control.cmd = Control::BARRIER;
req.meta.app_id = 0;
req.meta.customer_id = customer_id;
req.meta.control.barrier_group = node_group;
req.meta.timestamp = van_->GetTimestamp();
CHECK_GT(van_->Send(req), 0);
barrier_cond_.wait(ulk, [this, customer_id] {
return barrier_done_[0][customer_id];
});
}
可以看到该方法会首先对barrier_mu_上锁，之后将对应的barrier_done_设置为false。然后将这次的barrier信息发送给scheduler。告诉scheduler需要进行一次barrier。然后就阻塞等待barrier_done_被设置为true，代表完成了barrier，也就是其他的worker也都进行了barrier。
那么问题就变成了，每个worker都是怎么直到其他worker也进行了barrier的？
首先我们要知道，在参数服务器也就是PS中，每个进程都会建立kvstore。如果是worker，会在构造函数中运行如下代码：
if (IsWorkerNode()) {
int new_customer_id = GetNewCustomerId();
ps_worker_ = new ps::KVWorker<char>(0, new_customer_id);
ps::StartAsync(new_customer_id, "mxnet\0");
if (!ps::Postoffice::Get()->is_recovery()) {
ps::Postoffice::Get()->Barrier(
new_customer_id,
ps::kWorkerGroup + ps::kServerGroup + ps::kScheduler);
}
}
其中ps::StartAsync如下：
inline void StartAsync(int customer_id, const char* argv0 = nullptr) {
Postoffice::Get()->Start(customer_id, argv0, false);
}
也就是说，worker在建立起ps_worker_后，开始运行postoffice，而postoffice的Start会进行一系列的操作，并调用van_->Start，接着van的Start会进行一系列的初始化后，开启接受消息的线程，也就是
receiver_thread_ = std::unique_ptr<std::thread>(
new std::thread(&Van::Receiving, this));
而receiving函数会使用ProcessBarrierCommand处理barrier信号，该函数会++barrier_count_[group]，也就是将对应group的barrier次数进行统计。当barrier_count_[group]等于这个group的个数的时候。它会发送类似于ACK的返回信息。
然后worker会调用Manage方法来处理该message。Manage发现是barrier的返回信息，将barrier_done_设置为true，然后将等待的线程唤醒。也就是python端调用barrier后被阻塞的地方。
至此，就完成了一次worker之间的barrier。
