Scalebox是一种云原生的流式计算引擎，可在分布式、异构计算集群上运行容器化的单机用户算法，以流水线组织模块层级上大规模并行处理，支持任务级容错。与已有大数据处理、并行计算等框架相比，其技术特点特别适用于数据分布、算力资源分布、算法复杂等应用场景。
Scalebox具有以下重要特性：
-
云原生设计：以容器化封装所有算法模块、传输模块，通过边车模式嵌入到面向云环境设计的数据处理流水线；软件基础平台完全基于云原生设计实现；平台将控制消息、数据通道分离，前后模块间以消息总线关联，实现多语言的非侵入式并行编程，大大简化计算并行化的难度。
-
跨集群计算：归一化处理算法模块、传输模块，通过流水线统一处理集群内/跨集群的数据，屏蔽数据和计算的跨集群差异；跨集群消息驱动流式处理，支持单流水线应用在多个异构算力集群上的部署。
-
任务级容错：对于硬件故障、软件bug、网络问题、数据异常等原因导致的偶发性出错，基于规则实现自动容错处理；细粒度的任务级容错，可在不可靠硬件上实现可信的数据分析。
-
位置感知调度：消息体内可配置发送端IP地址，支持前后模块间的本地级联处理；将处理层、存储层分离，降低耦合，水平方向（处理层）的消息驱动垂直方向（处理层到存储层）的数据读写，降低计算集群内东西向网络流量，消除集群存储的I/O瓶颈；进而实现无共享存储的本地计算、大文件的纯本地加载，有效支持横向扩展。
-
任务透视：计算任务为消息驱动的处理过程，任务透视详细纪录每个任务的运行详细状态；包括用户程序返回码、标准输出、标准错误、程序自定义文本、用户程序读写字节数等，还包括任务执行周期内（消息产生/分发/处理、结果纪录）计算容器端、控制端的各类系统级及用户定制的时间戳。任务透视为问题排查中精准定位、应用优化、数据统计提供基础支撑。
-
多并行化方式
- 模块内算法并行
- 模块级数据并行
- 模块间流水线并行
-
多计算后端
- 多种计算集群类型（自管理集群、HPC集群、k8s容器集群等）
- 多种容器引擎
- docker：缺省容器引擎
- singularity
- k8s：TODO
本仓库主要包含以下内容：
- 基于docker-compose的scalebox服务端环境（服务环境）
- scalebox标准模块的Dockerfile定义 (标准模块)
- scalebox的应用示例（应用示例）
- scalebox主要特性的测试（特性测试）
传统计算框架包括大数据处理框架、HPC并行计算框架两大类。
大数据处理框架有分为离线计算（批处理）、实时计算（流式处理）。以下是主流大数据计算框架的比较：
HPC并行计算框架是支持超级计算机上高性能计算应用的计算框架，最常见的是MPI。以下是MPI的主要特性：
当前，各类应用的数据规模越来越大，以大规模天文观测为代表科学应用，其具有以下应用特点：
- 数据规模：
- 数据分布：
- 算力分布：
- 算法复杂：
针对以上需求，传统的大数据处理框架、HPC并行计算框架都存在不足。以下从几个主要特性上进行总结：
| 大数据处理框架 | HPC并行计算框架 | 应用需求 | |
|---|---|---|---|
| 程序并行化 | - 需调整应用逻辑 | - 需调整应用逻辑 - 编程技巧要求高 |
- 应用中可能使用开源组件，修改难度大 - 传统计算框架的并行化对用户要求高 |
| 跨集群计算 | - 不支持 | - 不支持 | - 大规模复杂应用，数据分布式产生 - 复杂计算计算资源需求多样，单一集群不能满足，需跨集群计算 |
| 容错支持 | - 框架支持 | - 框架不支持 - 应用自身通过checkpoint实现 |
- 大规模复杂计算，容错是必需的 |
| 高I/O加载 | - 集群文件系统 - data locality支持 |
- 并行文件系统 | - 大规模复杂应用，I/O需求较大，集群存储可能成为瓶颈 - 直接访问本地存储/内存缓存，将大大提升效率 |
| 应用逻辑表达 | 受并行编程模型（Map-Reduce等）所限，表达力较弱 | 基于消息通信模型，可完整表达应用逻辑 | 需较强的应用逻辑表达能力 |
面向以上应用需求，研发流式计算框架Scalebox，以简化以上场景应用的软件研发、数据处理等。
- 操作系统
- CentOS 7+（其他Linux版本待测试）
- macos 10.15+(amd64)（ARM版待测试）
macos主要用于单节点集群的开发测试。
详细安装参见：服务环境
单节点集群常用于测试、开发。
- 安装单机版系统环境
- 测试应用示例（hello-scalebox、app-primes）
- 基于标准模块，参照标准应用实例，构建自己的应用实例
- 定制自己的应用模块，并构建应用案例
多节点集群常用于生产环境。
- 在单节点集群基础上，参照
inline-cluster集群定义，定义自己的内联集群 - 在应用定义文件，引用多节点集群的资源
scalebox初级应用的示例，包括：
- hello-scalebox：scalebox的第一个入门应用
- app-primes：计算区间内质数总数量
- app-copy：演示最常用的跨集群数据拷贝
- 容错支持：retry_test
- 超时设置：timeout-gen
- 流控管理：check_test
- 任务透视：task-perspective
- 跨集群计算：cross-cluster-primes
- singularity：singularity
- PostgreSQL Database Management System — scalebox后台数据库
- gRPC – An RPC library and framework — 不同软件模块间的高效通信协议
- The Go Programming Language — 云原生应用的程序语言
- Pony ORM ER Diagram Editor - 神奇的ER图工具
非常欢迎你的加入！提一个 Issue 或者提交一个 Pull Request。
Apache License © Kaichao Wu