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。
208 lines
8.7 KiB
Markdown
208 lines
8.7 KiB
Markdown
# 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:
|
||
|
||
```bash
|
||
# 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):
|
||
|
||
```bash
|
||
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
|
||
```
|
||
|
||
```bash
|
||
# 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:
|
||
|
||
```bash
|
||
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
|
||
|
||
```bash
|
||
# 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。
|