Files
ssw-mpc/docs/RAY_CORE_101.md
T
rong 45bc626256 feat(ray): 对齐 Ray 1.0.1,nax 作为 driver 跑通跨架构 MPC
用户要求先用 1.0.1 对齐两端再把 nax MPC 跑通。闭环达成:

  x86_64  Ray node 73bfdc0a…  nax site=b  MPC 35
  armv7   Ray node 235afb22…  nax site=a  MPC 35

同一进程既是 Ray driver 又是 MPC 参与方;node_id 由 raylet 握手分配,
两端不同即「真的挂在两个节点上」的证据。35 = (1·4+1)+(2·5+1)+(3·6+1)。

1.0.1 shim(ray/nax_ray_shim_101.cc)与 2.59 的六个接口差异:
CoreWorkerProcess 无独立头、TaskExecutionCallback 只有 8 参数、
GcsClientOptions 位置参数、无 GetNodeToConnectForDriver/GetNextJobID、
无 ray::core 命名空间、GcsNodeInfo 无 node_manager_port。

两个必踩的坑:
- options.num_workers 必须显式设 1(1.0.1 有 RAY_CHECK(>0),默认 0 abort)
- gcs_options 要指向 Redis(6400)而非 gcs_server(6402),指错报
  Protocol error got "\x00",看着像协议问题其实是端口给错

同一版本两个架构的 string ABI 不同(关键):
x86_64 _raylet.so 是旧 ABI(0 个 cxx11),armv7 是新 ABI(423 个)。
搞错的表现是运行期 basic_string::_M_create 异常,错误信息不提 ABI。

编译补丁自动打在解出来的头上:client_call.h 的 vector<CompletionQueue> 换 deque
(grpc 1.51 删了移动构造)、影子 arrow/buffer.h、-Dgrpc_impl=grpc。
Python 符号 x86 缺 8 个 / armv7 缺 2 个,shim 零值占位(不执行 Python 代码)。

nax-cli 加可选 feature ray:设 NAX_RAY_RAYLET 即注册 driver,默认构建仍是
纯静态单二进制。rpath 放在 nax-cli 的 build.rs(link-arg-bins),放 nax-ray
里传不到依赖方的 bin。

新增 docs/RAY_CORE_101.md、ray/{nax_ray_shim_101.cc,build101.sh,
build101_armv7.sh,test101.py,test101_arm.c,verify101.sh}、ray/armv7/mpc_ray.sh;
nax-ray 重写为 1.0.1 签名;README 状态表更新。
2026-10-30 13:44:00 +08:00

8.7 KiB
Raw Blame History

Ray 1.0.1 × nax:跨架构集群 + 跨架构 MPC

这是 docs/RAY_CORE.md 的 1.0.1 姊妹篇。那篇讲的是怎么把 Ray 2.59 的 C++ core 接进 Rust;这篇讲的是为什么最终用 1.0.1,以及接进去之后 nax 的 MPC 真的跑起来了。

结论先放这里:

x86_64 侧   Ray node 73bfdc0a…   nax site=b   MPC 结果 35   ✅
armv7 侧    Ray node 235afb22…   nax site=a   MPC 结果 35   ✅
(同一进程既是 Ray driver,又是 MPC 参与方;Ray 只提供成员目录,不进计算路径)

1. 为什么是 1.0.1

2.59 1.0.1
x86_64 wheel 有 有
aarch64 wheel 有(2.2.0 起) 无
armv7 wheel 无 社区编过(1.0.1 cp36 / 1.2.0 cp38)
GCS 后端 gRPC Redis
与另一版本互通 ✗ ✗

Zynq-7015 是 Cortex-A9(ARMv7-A,32 位),只有 1.0.1/1.2.0 有可用二进制。 而 1.0.1 与 2.59 双向不通(实测:1.0.1 raylet 连 2.59 的 6379 报 Protocol error, got "\x00",因为 2.0 起 6379 从 RESP 换成了 gRPC/HTTP2)。

所以要么整集群 2.x(armv7 进不来),要么整集群 1.0.1。选了后者。


2. 和 2.59 版的六个接口差异

ray/nax_ray_shim_101.cc 是 1.0.1 版,对比 2.59 版(ray/nax_ray_shim.cc):

项 2.59 1.0.1
CoreWorkerProcess 头文件 core_worker/core_worker_process.h 就在 core_worker/core_worker.h 里
TaskExecutionCallback 22 个参数 8 个参数
GcsClientOptions (ip, port, ClusterID, allow_nil, fetch) (ip, port, password, is_test) 位置参数
取 raylet socket GlobalStateAccessor::GetNodeToConnectForDriver() 没有,必须调用方给(Python 侧也是在 _raylet.pyx 里算好传进来的)
取 job id GetNextJobID() 没有,JobID::FromInt(n) 自己给
命名空间 ray::core::CoreWorker ray::CoreWorker(没有 core 这一层)
GcsNodeInfo 字段 1..5 含 node_manager_port 1..4 + state=7,无 port

两个直接踩到的坑:

  1. options.num_workers = 1 必须显式设。1.0.1 的 CoreWorker 构造函数里有 RAY_CHECK(options_.num_workers > 0),默认 0 会直接 abort。
  2. gcs_options 要指向 Redis,不是 gcs_server 的 gRPC 端口。1.0.1 的 CoreWorker 内部建的是 ServiceBasedGcsClient,但它同时要连 Redis 拿表。 指向 6402 会得到 redis_client.cc:114 Check failed: Protocol error, got "\x00"。 正确值是 Redis 主节点(本仓库的混合集群是 6400)。

3. 两个 ABI 事实(最容易翻车的地方)

同一个 ray 1.0.1,两个架构的 wheel 用了不同的 std::string ABI:

x86_64  ray-1.0.1-...-manylinux1_x86_64.whl   → nm -D | grep -c cxx11 = 0     (旧 ABI)
armv7   ray-1.0.1-...-linux_armv7l.whl        → nm -D | grep -c cxx11 = 423   (新 ABI)

所以 shim 必须分别编译:

# x86_64
g++ ... -D_GLIBCXX_USE_CXX11_ABI=0     ray/build101.sh
# armv7
arm-linux-gnueabihf-g++ ...            ray/build101_armv7.sh   # 不加那个宏

搞错的表现不是链接错误,而是运行期 basic_string::_M_create 异常—— CoreWorkerOptions.gcs_options.server_ip_ 传过去后长度字段错位,std::string 认为长度是个天文数字。这个错误信息完全不提 ABI,很容易往内存越界上查。


4. Python 符号:8 个 stub + 一份 libpython

_raylet.so 本质是 CPython 扩展。x86 版引用 203 个 Py* 未定义符号, armv7 版 201 个。解法是链上 libpython(--no-as-needed,否则被 as-needed 丢掉), 剩下的差集由 shim 自己定义占位:

符号 为什么缺
_Py_CheckRecursionLimit 3.12 移除的内部变量
_Py_tracemalloc_config 同上
_PyTraceMalloc_NewReference 同上
PyCode_New 3.12 换成 PyCode_NewWithPosOnlyArgs
PyUnicode_AsUnicode / PyUnicode_FromUnicode 3.3 起弃用,3.12 删除
_PyUnicode_Ready 同上
_PyGen_Send 3.11 起不再导出

armv7 侧只要前两个(_PyGen_Send 和 _Py_CheckRecursionLimit), 因为 armhf 的 libpython3.11 把其余的都提供了。

安全性:这些符号只在「真的执行 Python 代码」时才被调用,而 nax 只把 Ray 当成员目录,从不调用 Ray 的 Python 路径,所以零值占位不会被执行。


5. 编译

依赖(Debian 12,apt 源换 USTC 后可用):

apt install g++ protobuf-compiler libprotobuf-dev libgrpc++-dev \
            protobuf-compiler-grpc libabsl-dev libboost-dev libssl-dev \
            libflatbuffers-dev flatbuffers-compiler
# armv7 交叉
apt install g++-arm-linux-gnueabihf libatomic1:armhf libpython3.11:armhf
# 1) x86_64 shim(链 manylinux1_x86_64 wheel 里的 _raylet.so)
RAYSO=/path/r17x/ray-1.0.1.data/purelib/ray/_raylet.so bash ray/build101.sh
# 2) armv7 shim(链 armv7l wheel 里的 _raylet.so)
bash ray/build101_armv7.sh

# 3) nax 带 Ray(可选 feature,默认构建仍是纯静态单二进制)
cargo build --release -p nax-cli --features ray                       # x86
CARGO_TARGET_ARMV7_UNKNOWN_LINUX_GNUEABIHF_LINKER=arm-linux-gnueabihf-gcc \
NAX_RAY_LIB_NAME=nax_ray_armv7 \
NAX_RAY_LIBPYTHON=/usr/lib/arm-linux-gnueabihf/libpython3.11.so.1.0 \
  cargo build --release -p nax-cli --features ray \
  --target armv7-unknown-linux-gnueabihf

build101.sh 会自动打两个补丁(都打在解出来的头文件上,不动 ray 源码):

  • rpc/client_call.h:std::vector<grpc::CompletionQueue> → std::deque。 grpc 1.51 删掉了 CompletionQueue 的移动构造,reserve + emplace_back 编不过。
  • 影子头 arrow/buffer.h:1.0.1 只有 PlasmaBuffer 用 shared_ptr<arrow::Buffer>, nax 不实例化它,给个最小声明即可(省掉整个 Arrow 依赖)。
  • 宏 -Dgrpc_impl=grpc:1.0.1 用的是旧 grpc 命名空间,1.51 已并入 grpc。

6. 运行:nax 自己接入 Ray

不需要额外进程。nax node 看到 NAX_RAY_RAYLET 就会先注册成 Ray driver:

export NAX_RAY_GCS=127.0.0.1:6400        # Redis 主节点,不是 gcs_server
export NAX_RAY_RAYLET=/tmp/raylet_a.sock
export NAX_RAY_PLASMA=/tmp/plasma_a.sock
export NAX_RAY_NM_PORT=6413
nax node --site a --sites a,b --connect 127.0.0.1:9103 --data 1,2,3

输出(armv7 侧,qemu 承载):

  接入 Ray 集群: gcs=127.0.0.1:6400 raylet=/tmp/raylet_a.sock nm_port=6413
  Ray 节点已确认: node_id=235afb22db57c7249f4862ce9de95f92cffdd16c(由 raylet 分配)
  Ray worker_id=01000000ffffffffffffffffffffffffffffffff
  连接对端...
nax node · site=a · 2 方 · 3 个元素 · fxp=18
  分片交换完成(2 方)
  密文乘法完成(1 次)
  还原完成: [9175040]

会话结果: 35

那个 node_id 是 raylet 在握手时分配的(CoreWorker::GetRpcAddress().raylet_id()), 两端拿到的是不同的值——这正是「两个进程真的挂在两个不同节点上」的证据。

(1·4+1)+(2·5+1)+(3·6+1) = 35,与 nax-node::run_session 的语义 z = (x₁·x₂·…·xₙ + 1).sum() 一致。


7. 已知限制

限制 说明
拿不到节点列表 1.0.1 的 _raylet.so 只导出了 GlobalStateAccessor 的 3 个方法(GetActorInfo / GetActorCheckpointId / GetObjectInfo),没有 GetAllNodeInfo。要列节点用 ray/armv7/decode_gcs.py 直读 Redis 分片,或改走 gRPC 直连 gcs_server。
成员变更只能看日志 driver 内部订阅了节点表(日志里 Received notification for node id = …, IsAlive = 1),但没暴露回调给 C ABI。要结构化输出得改 shim 另开一条通道。
二进制不再自包含 开 --features ray 后动态依赖 libnax_ray.so + libpython。默认构建不受影响,仍是 700KB 级静态单二进制。
两端 worker_id 相同 两个进程都声明 job_id=1,driver worker id 由 job 派生,所以都是 01000000ffff…。要区分就设 NAX_RAY_JOB。

8. 复现

# 起 x86_64 原生 + armv7(qemu) 混合 1.0.1 集群(redis/gcs/plasma/raylet ×2)
bash ray/armv7/mixed_cluster.sh

# 闭环:两端各自注册成 Ray driver,然后跑跨架构 MPC
bash ray/armv7/mpc_ray.sh

mixed_cluster.sh 会清理上一轮的全套进程(redis 和 gcs_server 会占着 6400/6402, 只杀 raylet 会导致「新进程起不来但端口探测仍通过」的假成功)。

9. 与 2.59 的关系

ray/build.sh + ray/nax_ray_shim.cc 那一套仍然可用,用来在纯 x86 集群上验证 「nax 能接 Ray 的 C++ core」。但边缘目标只能用 1.0.1,而两版本不能混布, 所以生产形态是:整集群 1.0.1。2.59 那条线留作对照与未来 2.x 支持 32 位 ARM 时的参考。