看VeRL代码之前发现代码里主要使用了ray框架来进行调度和通信. 所以先对ray进行初步学习, 后续有空闲时间再细看下Ray的代码.
框架原理
构成
架构图如下, ray里主要分为系统层面的layer和应用层的layer.
系统层layer:
-
GCS(Global Control Store): 中心数据存储，是 Worker 之间传递消息的纽带, 储存了代码, 输入参数, 返回值.
-
Scheduler: 分成Global和Local两种, 严重怀疑VeRL论文里说的中心节点其实就是这个Global. 待确认. Local是每个单机上的调度器(又名Raylet), worker通过Local和Global进行通信. 下图是一个交互示意图:
-
Object Store: 主要作用是通过RPC传递worker间的数据,
应用层Layer:
- Driver: 执行用户程序的进程
- Worker: 无状态的执行remote task的进程, worker是框架自动启动的. 当用户声明了一个remote方法时, 这个remote方法会被发布到所有的worker上
- Actor: 有状态进程(这里的actor概念和rl里的actor不一样注意一下)，在被调用时只执行其暴露的函数。与worker不同的地方在于，actor需要worker或driver显式实例化, 特殊点在于每个方法的执行依赖于前一个方法产生的状态
调用流程
以一个remote请求发送和获取结果为例. 发送的步骤依次为:
driver把remote函数提交给localScheduler -> localScheduler把任务告知global -> globalScheduler查询GCS拿到对应的函数参数存的位置 -> global把这个任务调度有参数b的Node2 -> Node2的LocalScheduler检查所有的参数是不是本地都有 -> 把没有的参数查GCS,从而知道需要的参数存在哪个节点上 -> 从对应的节点拉取本地没有的参数 -> 所有入参数据ready后, 执行计算步骤 -> 把计算的结果存到本地的ObjectStore里
接收计算结果(ray.get)的步骤:
通过localScheduler在ObjectStore里检查返回的future对象\(id_c\)是否在本地 -> 向GCS查询\(id_c\)的存储位置, 如果这时候\(id_c\)还没产出, N1就会往GCS注册一个回调, 当产出时通知 -> N2完成计算后把结果存储到本地ObjectStore, 把\(id_c\)的meta信息添加到GCS, 这时候就会触发之前注册的回调 -> GCS通知N1数据可用,并且发送位置信息 -> N1向N2发送RPC请求拉取\(id_c\), 整个过程完成.
使用方法
- task模式, 也就是上面说的worker, 适合无状态的逻辑执行
python
@ray.remote #定义无状态分布式任务
def add(x, y):
return x + y
# 异步提交任务，立即返回 future 对象（对象引用）
future = add.remote(1, 2)
results = ray.get([future]) #走上一章节说的get模式从remote拉取结果- Actor模式, 能够维护状态并封装方法。适合需要有状态的场景，如参数服务器、计数器. 特点是同一个Actor的方法调用按顺序执行，保证状态一致性, 而不同Actor实例之间可以并行执行
python
@ray.remote # 使用 @ray.remote 将类转换为分布式 Actor, 实例在其生命周期内可以维持状态
class Counter:
def __init__(self):
self.value = 0
def increment(self):
self.value += 1
return self.value
def get_value(self):
return self.value
counter = Counter.remote() # 创建 Actor 实例, 存储在GCS里
future1 = counter.increment.remote() # 第一次增加
future2 = counter.increment.remote() # 第二次增加
future3 = counter.get_value.remote() # 获取当前值
print(ray.get([future1, future2])) # 输出: [1, 2]
print(ray.get(future3)) # 输出: 2- 主要接口:
| 接口 | 功能 |
|---|---|
| ray.put() | 通过对象存储实现跨节点数据访问, put到remote的同时在GCS注册, 返回对象引用 |
| ray.get() | 同上, 功能变为数据拉取 |
| ray.exceptions & @ray.remote(max_retries=3) | 异常处理与重试, 搭配使用提升容错 |
| @ray.remote(num_gpus=1) def gpu_task(): | 静态资源配置 |
| future = task.options(num_cpus=2, num_gpus=1).remote() | 动态资源配置 |
| ray.kill(Actor) | 强制终止 Actor 实例 |
| refs = task.remote(i) for i in range(4) ready_refs, remaining_refs = ray.wait(refs, num_returns=len(refs)) | 等待异步提交的任务完成 |