机器学习算法和计算机领域的其他算法相比，有自己的一些独特特点，

（1）迭代性：模型的更新并非一次完成，需要循环迭代多次；

（2）容错性：即使在每个循环中产生一些错误，模型最终的收敛不受影响；

（3）参数收敛的非均匀性：模型中有些参数经过几个循环便不再改变，其他参数需要很长时间收敛。

这些特点决定了分布式机器学习系统的设计和其他分布式计算系统（例如Spark）的设计有很大不同。

Petuum是一个专门针对机器学习算法特点的分布式平台，而通用的分布式计算系统Spark以数据流应用为主，所以二者的应用对象不同。Spark有一个机器学习库MLLib, 但构建于数据流操作之上，并非针对机器学习算法的特点而设计。

Petuum的系统设计建立于机器学习的特征之上，目前包含两个主要模块：key-value store和scheduler，主要处理两类并行化方法：（1）数据并行；（2）模型并行。

数据并行，简单而言，就是把数据分布到不同机器上，每台机器计算一个模型的更新（update)， 然后对这些update进行汇总并用之更新模型。

模型并行，把模型参数进行切分并放置到不同机器上，每台机器对自己那部分进行更新。

Key-value store模块负责数据并行，采用的架构是parameter server，一致性协议是Staleness Synchronous Parallel (SSP)。SSP的基本思想是允许各机器以不同步调对模型进行更新，但是加一个限制，使得最快的机器的进度和最慢机器的进度之差不要太大。这样做的好处是：既减轻慢的机器拖整个系统的后腿，又能保证模型的最终收敛。通过调节SSP的staleness参数，SSP可以转化成数据流系统常用的BSP（Bulk Synchronous Parallel) 协议或者早期机器学习系统（如Yahoo LDA）使用的ASP(Asynchronous Parallel)。

另外一个模块scheduler用于模型并行。scheduler提供的编程接口主要包含三个操作：（1）schedule: 调度节点根据模型参数的相互依赖性和收敛的不均匀性，自动选择一个待更新的参数子集；（2）push: 调度节点令计算节点并行地为选好的参数计算update；（3）pull：调度节点从计算节点收集update，并更新参数。

Petuum的主要特性包括：（1）高性能；（2）可编程性；提供了简单易用的编程接口，用户可在Petuum上实现自己的机器学习算法。（3）丰富的机器学习库。我们用Petuum的统一编程接口实现了14个重要的机器学习算法。

相比于李沐的parameter server系统，Petuum作为一个机器学习框架，共享参数模型采用哈希表存储，更新时采用延迟一致性协议，这种模型决定了Petuum在集群规模和可支持的参数数量上都要比Parameter Server少1到2个数量级，当然对比Spark MLLib列表数据存储和BSP同步模式，在相同集群规模下是可以多训练2到3个数量级的参数的。另外，Spark数据处理部分和Petuum其实没什么太大联系，前景的话，如果处理数据就直接spark吧，机器学习就直接Parameter Server好了。

参考文献：

1.Eric P. Xing, Qirong Ho, Wei Dai, Jin Kyu Kim, Jinliang Wei, Seunghak Lee, Xun Zheng, Pengtao Xie, Abhimanu Kumar, Yaoliang Yu:Petuum: A New Platform for Distributed Machine Learning on Big Data. KDD 2015: 1335-1344

2.Mu Li, David G. Andersen, Jun Woo Park, Alexander J. Smola, Amr Ahmed, Vanja Josifovski, James Long, Eugene J. Shekita, Bor-Yiing Su:Scaling Distributed Machine Learning with the Parameter Server. OSDI 2014: 583-598