Ray架构解析

业务目标

Ray的定位是分布式应用框架，主要目标是使能分布式应用的开发和运行。

业务场景

具体的粗粒度使用场景包括

弹性负载，比如Serverless Computing
机器学习训练，Ray Tune, RLlib, RaySGD提供的训练能力
在线服务，例如Ray Server提供在线学习的案例
数据处理，例如Modin, Dask-On-Ray, MARS-on-Ray
临时计算（例如，并行化Python应用程序，将不同的分布式框架粘合在一起）
Ray的API让开发者可以轻松的在单个分布式应用中组合多个libraries，例如，Ray的tasks和Actors可能会call into 或called from在Ray上运行的分布式训练（e.g. torch.distributed）或者在线服务负载; 在这种场景下,Ray是作为一个“分布式胶水”系统，因为它提供通用API接口并且性能足以支撑许多不同工作负载类型。

系统设计目标

Ray架构设计的核心原则是API的简单性和通用性
Ray的系统的核心目标是性能（低开销和水平可伸缩性）和可靠性。为了达成核心目标，设计过程中需要牺牲一些其他理想的目标，例如简化的系统架构。例如，Ray使用了分布式参考计数和分布式内存之类的组件，这些组件增加了体系结构的复杂性，但是对于性能和可靠性而言却是必需的。
为了提高性能，Ray建立在gRPC之上，并且在许多情况下可以达到或超过gRPC的原始性能。与单独使用gRPC相比，Ray使应用程序更容易利用并行和分布式执行以及分布式内存共享（通过共享内存对象存储）。
为了提高可靠性，Ray的内部协议旨在确保发生故障时的正确性，同时又减少了常见情况的开销。 Ray实施了分布式参考计数协议以确保内存安全，并提供了各种从故障中恢复的选项。
由于Ray使用抽象资源而不是机器来表示计算能力，因此Ray应用程序可以无缝的从便携机环境扩展到群集，而无需更改任何代码。 Ray通过分布式溢出调度程序和对象管理器实现了无缝扩展，而开销却很低。

系统设计

逻辑架构：

领域模型

Task：在与调用者不同的进程上执行的单个函数调用。任务可以是无状态的（@ ray.remote函数）或有状态的（@ ray.remote类的方法-请参见下面的Actor）。任务与调用者异步执行：.remote（）调用立即返回一个ObjectRef，可用于检索返回值。
Object：应用程序值。这可以由任务返回，也可以通过ray.put创建。对象是不可变的：创建后就无法修改。工人可以使用ObjectRef引用对象。
Actor：有状态的工作进程（@ ray.remote类的实例）。 Actor任务必须使用句柄或对Actor的特定实例的Python引用来提交。
Driver：程序根目录。这是运行ray.init（）的代码。
Job：源自同一驱动程序的（递归）任务，对象和参与者的集合

集群设计

如上图所示，Ray集群包括一组同类的worker节点和一个集中的全局控制存储（GCS）实例。
部分系统元数据由GCS管理，GCS是基于可插拔数据存储的服务，这些元数据也由worker本地缓存，例如Actor的地址。 GCS管理的元数据访问频率较低，但可能被群集中的大多数或所有worker使用，例如，群集的当前节点成员身份。这是为了确保GCS性能对于应用程序性能影响不大。

Ownership

大部分系统元数据是根据去中心化理念（ownership）进行管理的：每个工作进程都管理和拥有它提交的任务以及这些任务返回的“ ObjectRef”。Owner负责确保任务的执行并促进将ObjectRef解析为其基础值。类似地，worker拥有通过“ ray.put”调用创建的任何对象。
OwnerShip的设计具有以下优点（与Ray版本<0.8中使用的更集中的设计相比）：

低任务延迟（〜1 RTT，<200us）。经常访问的系统元数据对于必须对其进行更新的过程而言是本地的。
高吞吐量（每个客户端约10k任务/秒；线性扩展到集群中数百万个任务/秒），因为系统元数据通过嵌套的远程函数调用自然分布在多个worker进程中。
简化的架构。owner集中了安全垃圾收集对象和系统元数据所需的逻辑。
提高了可靠性。可以根据应用程序结构将工作程序故障彼此隔离，例如，一个远程调用的故障不会影响另一个。

OwnerShip附带的一些权衡取舍是：

要解析“ ObjectRef”，对象的owner必须是可及的。这意味着对象必须与其owner绑定。有关对象恢复和持久性的更多信息，请参见object故障和object溢出。
目前无法转让ownership。

核心组件

Ray实例由一个或多个工作节点组成，每个工作节点由以下物理进程组成：

一个或多个工作进程，负责任务的提交和执行。工作进程要么是无状态的（可以执行任何@ray.remote函数），要么是Actor（只能根据其@ray.remote类执行方法）。每个worker进程都与特定的作业关联。初始工作线程的默认数量等于计算机上的CPU数量。每个worker存储ownership表和小对象：
a. Ownership 表。工作线程具有引用的对象的系统元数据，例如，用于存储引用计数。
b. in-process store，用于存储小对象。
Raylet。raylet在同一群集上的所有作业之间共享。raylet有两个主线程：
a. 调度器。负责资源管理和满足存储在分布式对象存储中的任务参数。群集中的单个调度程序包括Ray分布式调度程序。
b. 共享内存对象存储（也称为Plasma Object Store）。负责存储和传输大型对象。集群中的单个对象存储包括Ray分布式对象存储。

每个工作进程和raylet都被分配了一个唯一的20字节标识符以及一个IP地址和端口。相同的地址和端口可以被后续组件重用（例如，如果以前的工作进程死亡），但唯一ID永远不会被重用（即，它们在进程死亡时被标记为墓碑）。工作进程与其本地raylet进程共享命运。

其中一个工作节点被指定为Head节点。除了上述进程外，Head节点还托管：

全局控制存储(GCS)。GCS是一个键值服务器，包含系统级元数据，如对象和参与者的位置。GCS目前还不支持高可用，后续版本中GCS可以在任何和多个节点上运行，而不是指定的头节点上运行。
Driver进程(es)。Driver是一个特殊的工作进程，它执行顶级应用程序（例如，Python中的__main__）。它可以提交任务，但不能执行任何任务本身。Driver进程可以在任何节点上运行。

交互设计

应用的Driver可以通过以下方式之一连接到Ray：

调用`ray.init()’，没有参数。这将启动一个嵌入式单节点Ray实例，应用可以立即使用该实例。
通过指定ray.init（地址=<GCS addr>）连接到现有的Ray集群。在后端，Driver将以指定的地址连接到GCS，并查找群集其他组件的地址，例如其本地raylet地址。Driver必须与Ray群集的现有节点之一合部。这是因为Ray的共享内存功能，所以合部是必要的前提。
使用Ray客户端`ray.util.connect()'从远程计算机（例如笔记本电脑）连接。默认情况下，每个Ray群集都会在可以接收远程客户端连接的头节点上启动一个Ray Client Server，用来接收远程client连接。但是由于网络延迟，直接从客户端运行的某些操作可能会更慢。

Runtime

所有Ray核心组件都是用C++实现的。Ray通过一个名为“core worker”的通用嵌入式C++库支持Python和Java。此库实现ownership表、进程内存储，并管理与其他工作器和Raylet的gRPC通信。由于库是用C++实现的，所有语言运行时都共享Ray工作协议的通用高性能实现。
参考代码：
● Core worker源码: src/ray/core_worker/core_worker.h. 此代码是任务调度、Actor任务调度、进程内存储和内存管理中涉及的各种协议的主干。
● Python: python/ray/includes/libcoreworker.pxd
● Java: src/ray/core_worker/lib/java

（完）

解析：分布式应用框架Ray架构源码