Sagemaker Batch Transform - “upstream prematurely closed connection” - 无法提供超过30分钟的请求服务。

Question

【以下的问题经过翻译处理】 这是我在stackoverflow上问过的一个问题的副本。
我正在使用[AWS提供的指南]通过自定义docker容器提供Sagemaker模型。这个docker容器运行一个简单的nginx->gunicorn/wsgi->flask服务器。
我的问题是，无论在哪个实例中，转换请求都会在约30分钟时超时，尽管应该能够一直持续到60分钟。由于请求数据密集，我需要使请求能够达到最大60分钟。通过几个月的调试经验，我知道有3个因素应影响服务器响应请求所需的时间：
1. Sagemaker根据创建批处理转换作业时设置的“InvocationsTimeoutInSeconds”参数
2. nginx.conf配置文件里keepalive_timeout、proxy_read_timeout、proxy_send_timeout和proxy_connect_timeout都等于或大于最大超时。
3. Gunicorn服务器必须配置为超时等于或大于最大超时。

我已验证，在创建批处理转换作业时，InvocationsTimeoutInSeconds设置为3600（1小时）。

nginx.conf配置如下：

worker_processes 1;
daemon off; # Prevent forking

pid /tmp/nginx.pid;
error_log /var/log/nginx/error.log;

events {
  # defaults
}

http {
  include /etc/nginx/mime.types;
  default_type application/octet-stream;
  access_log /var/log/nginx/access.log combined;

sendfile        on;
  client_max_body_size 30M;
  keepalive_timeout  3920s;
  
  upstream gunicorn {
    server unix:/tmp/gunicorn.sock;
  }

server {
    listen 8080 deferred;
    client_max_body_size 80m;

keepalive_timeout 3920s;
    proxy_read_timeout 3920s;
    proxy_send_timeout 3920s;
    proxy_connect_timeout 3920s;
    send_timeout 3920s;

location ~ ^/(ping|invocations) {
      proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
      proxy_set_header Host $http_host;
      proxy_redirect off;
      proxy_pass http://gunicorn;
    }

启动gunicorn服务如下：

def start_server():
    print('Starting the inference server with {} workers.'.format(model_server_workers))
    print('Model server timeout {}.'.format(model_server_timeout))

# link the log streams to stdout/err so they will be logged to the container logs
    subprocess.check_call(['ln', '-sf', '/dev/stdout', '/var/log/nginx/access.log'])
    subprocess.check_call(['ln', '-sf', '/dev/stderr', '/var/log/nginx/error.log'])

nginx = subprocess.Popen(['nginx', '-c', '/opt/program/nginx.conf'])
    gunicorn = subprocess.Popen(['gunicorn',
                                 '--timeout', str(3600),
                                 '-k', 'sync',
                                 '-b', 'unix:/tmp/gunicorn.sock',
                                 '--log-level', 'debug',
                                 '-w', str(1),
                                 'wsgi:app'])

signal.signal(signal.SIGTERM, lambda a, b: sigterm_handler(nginx.pid, gunicorn.pid))

# If either subprocess exits, so do we.
    pids = set([nginx.pid, gunicorn.pid])
    while True:
        pid, _ = os.wait()
        if pid in pids:
            break

sigterm_handler(nginx.pid, gunicorn.pid)
    print('Inference server exiting')

尽管如此，只要转换作业花费的时间超过30分钟，我就会在日志中看下面的内容，并且转换作业状态变为失败：
2023/01/07 08:23:14 [error] 11#11: *4 upstream prematurely closed connection while reading response header from upstream, client: 169.254.255.130, server: , request: "POST /invocations HTTP/1.1", upstream: "http://unix:/tmp/gunicorn.sock:/invocations", host: "169.254.255.131:8080"

我认为AWS批量转换中存在错误，但也许我缺少一些其他变量（可能在nginx.conf 中），这些变量可能会导致我的上游请求过早终止。

location / {
      return 404 "{}";
    }
  }
}`

我像这样启动gunicorn服务器：（代码部分不翻译）尽管如此，每当转换作业持续时间超过约30分钟时，我会在日志中看到该消息，并且转换作业状态将变为失败。我接近认为AWS批处理转换存在缺陷，但也许我错过了其它一些变量（或许是在nginx.conf中）可能会导致请求的上游提前终止。

Answer

【以下的回答经过翻译处理】 通过查看硬件指标确定上游终止仅在服务器接近其内存限制时发生。所以猜测是操作系统正在杀死 gunicorn worker，而 0分钟标记只是长期运行的测试用例中发生的巧合。

我的解决方案是增加服务器上的可用内存

Sagemaker Batch Transform - “upstream prematurely closed connection” - 无法提供超过30分钟的请求服务。

defaults

Relevanter Inhalt