Ray
简介
Ray是UC Berkeley AMP 实验室继 Spark 后又推出一款重磅高性能AI计算引擎，号称支持每秒数百万次任务调度。开发 Ray 的动机始于强化学习（RL），但是由于其计算模型强大表达能力，使用绝不限于 RL。Ray 实现了动态任务图计算模型， 将应用建模为一个在运行过程中动态生成依赖的任务图。在此模型之上，Ray 提供了角色模型（Actor）和并行任务模型（task-parallel）的编程范式。Ray 对混合计算范式的支持使其有别于与像 CIEL 一样只提供并行任务抽象和像 Orleans 或 Akka一样只提供角色模型抽象的系统。
特点
架构
Ray 的架构组成包括两部分：
- 应用层：实现 API ，现在包括 Python 和 Java分别实现的版本。
- 系统层：提供高扩展性和容错的，用 C++ 写的，以CPython的形式嵌入包中。
应用层
应用层包括三种类型的进程：
- 驱动进程（Driver）： 用来执行用户程序。
- 工作进程（Worker）：用来执行 Driver 或者其他 Worker 指派的任务(remote functions，就是用户代码中装饰了[
@ray.remote](mailto:@ray.remote)` 的那些函数)的无状态进程。工作进程在节点启动时被自动启动，一般来说会在每个物理机上启动与 CPU 同样数量的 Worker（这里还有些问题：如果节点是容器的话，获取的仍然是其所在物理机的 CPU 数）。当一个远程函数被声明时，会被注册到全局，并推送到所有 Worker。每个 Worker 顺序的执行任务，并且不维护本地状态。 - 角色进程（Actor）：用来执行角色方法的有状态进程。与 Worker 被自动的启动不同，每个 Actor 会根据需求（即被调用时）被工作进程或者驱动进程显示启动。和 Worker 一样，Actor 也会顺序的执行任务，不同的是，下一个任务的执行依赖于前一个任务生成或改变的状态(即 Actor 的成员变量)。
系统层
系统层包括三个主要组件，所有组件都可以进行水平扩展并且支持容错。：
- 全局控制存储(GCS，global control store)：
- 分布式调度器（distributed scheduler）：
- 分布式对象存储(distributed object store)：