设计 | Design

本页面详细概述了构成 Curio 的核心概念和组件，包括 HarmonyDB、HarmonyTask 等。

Design

设计

Curio Cluster

Curio 集群

Curio 的核心内部组件包括 HarmonyDB、HarmonyTask、ChainScheduler 以及配置和当前存储定义的数据库抽象。

Curio nodes

Curio 集群是由多个连接到 YugabyteDB 集群和市场节点的 Curio 节点组成的集群。单个 Curio 集群可以根据需要为多个矿工 ID 提供服务，并在它们之间共享计算资源。

Curio cluster

HarmonyDB

HarmonyDB 是一个简单的 SQL 数据库抽象层，由 HarmonyTask 和 Curio 堆栈的其他组件使用，用于存储和检索 YugabyteDB 中的信息。

Key Features:

关键特性：

• 弹性: 如果主连接失败，自动切换到备用数据库。

• 安全性: 防止 SQL 注入漏洞。

• 便利性: 提供常见 Go + SQL 操作的辅助函数。

• 监控: 通过 Prometheus 统计和错误日志提供数据库行为的洞察。

Basic Database Details

基本数据库详情

• Postgres 数据库模式称为 “curio”，所有的 harmony 数据库表都在这个模式下。

• 表 harmony_task 存储待处理任务列表。

• 表 harmony_task_history 存储已完成的任务、超过限制的重试任务，并作为触发后续任务（可能在不同机器上）的输入。

• 表 harmony_task_machines 由 lib/harmony/resources 管理。此表引用注册的机器用于任务分配。注册不意味着义务，但有助于发现。

HarmonyTask

HarmonyTask 是纯粹的（无任务逻辑）分布式任务管理器。

Design Overview

设计概述

• 任务为中心：HarmonyTask 专注于将任务管理为小型工作单元，减轻开发人员的调度和管理负担。

• 分布式：任务分布在各个机器上以实现高效执行。

• 贪婪工人：工人主动认领他们可以处理的任务。

• 轮询分配：在 Curio 节点认领任务后，HarmonyDB 尝试将剩余工作分配给其他机器。

Harmony tasks

Model

模型

• 被阻止的任务: 任务可能因以下原因被阻止：

  • 运行节点上的‘子系统’配置被禁用

  • 达到指定的最大任务限制

  • 资源耗尽

  • CanAccept() 函数（任务特定）拒绝任务

• 任务启动: 任务可以通过以下方式启动：

  • 定期数据库读取（每 3 秒）

  • 当前进程添加到数据库

• 任务添加方法：

  • 异步监听任务（例如，用于区块链）

  • 由任务完成触发的后续任务（封装流水线）

• 防止重复任务：

  • 避免重复任务的机制由任务定义决定，最有可能使用唯一键。

Distributed Scheduling

分布式调度

Curio 实现了一种通过 HarmonyDB 协调的分布式调度机制。Curio 节点根据它们可以处理的任务类型和资源来选择任务。节点在接受任务后不会贪婪，即使它们有足够的资源。其他节点轮流认领任务。每隔 3 秒，如果有可用资源，则会接受额外的任务。这确保了任务的更均匀调度。

Chain Scheduler

链调度器

CurioChainSched 或链调度器在应用或移除新的 TipSet 时触发一些回调函数。这相当于在每个 epoch 获取最重的 TipSet。这些回调函数依次为每种依赖链变化的类型添加新任务。这些任务类型包括 WindowPost、WinningPost 和 MessageWatcher。

Poller

轮询器

轮询器是一个简单的循环，根据预定义的时间间隔（100 毫秒）定期获取待处理任务，或直到上下文发起优雅退出。一旦从数据库中获取到待处理任务，它会尝试在 Curio 节点上调度所有任务。此尝试将导致以下结果之一：

• 任务被接受

• 任务未被调度，因为机器繁忙

• 任务未被接受，因为节点的 CanAccept（由任务定义）选择不处理指定任务

如果任务在轮询周期内被接受，则下一个周期前的等待时间为 100 毫秒。但如果任务因任何原因未被调度，轮询器将在 3 秒后重试。

Task Decision Logic

任务决策逻辑

对于机器可以处理的每种任务类型，它首先检查机器是否有足够的能力执行所述任务。然后它查询数据库中没有 owner_id 且与任务类型同名的任务。如果存在这样的任务，它会尝试接受它们的工作。如果任何工作被接受，它返回 true，否则返回 false。接受每个任务的决策逻辑如下：

1. 检查是否有任何任务要做。如果没有，返回 true。

2. 检查是否达到此类型任务的最大数量。如果运行任务的数量达到或超过最大限制，记录一条消息并返回 false。

3. 检查机器是否有足够的资源来处理任务。这包括检查 CPU、RAM、GPU 容量和可用存储。如果机器没有足够的资源，记录一条消息并返回 false。

4. 通过调用 CanAccept 方法检查任务是否可以被接受。如果不能接受，记录一条消息并返回 false。

5. 如果任务需要存储空间，机器尝试声明它。如果声明失败，记录一条消息并释放已声明的存储空间，然后返回 false。

6. 如果任务来源是 recover，即机器在关机前正在执行此任务，则任务计数增加一个，并在单独的 goroutine 中开始处理任务。

7. 如果任务来源是 poller，即新的待处理任务，尝试为当前主机名声明任务。如果不成功，释放已声明的存储并尝试考虑下一个任务。

8. 如果成功，任务计数增加一个，并在单独的 goroutine 中开始处理任务。

9. 这个 goroutine 还会更新任务历史中的任务状态，并根据任务是否成功，删除任务或更新任务表中的任务。

10. 返回 true，表示工作已被接受并将被处理。

GPU Management in Curio

Curio 中的 GPU 管理

Historical Issues with Lotus-Miner Scheduler

Lotus-Miner 调度器的历史问题

历史上，当 lotus-worker 进程有多个 GPU 可用时，Lotus-Miner 调度器在高效利用 GPU 方面遇到了困难。这些问题主要源于底层的 proofs 库，该库处理所有与 GPU 相关的任务并管理 GPU 分配。这导致了以下问题：

• 单个任务被分配到多个 GPU。

• 多个任务被分配到单个 GPU。

Solution with Curio: The GPU Picker Library "ffiselect"

Curio 的解决方案：GPU 选择库 "ffiselect"

为了解决 Curio 中的这些问题，我们实现了一个名为 "ffiselect" 的 GPU 选择库。该库确保每个需要 GPU 的任务都单独分配一个。过程如下：

1. 任务分配：每个需要 GPU 的任务都分配一个特定的 GPU。

2. 子进程创建：为每个任务生成一个新的子进程，并为其分配专用 GPU。

3. Proofs 库调用：子进程使用单个 GPU 和特定任务调用 Proofs 库。

Curio FFISelect in action

这种方法确保了高效且无冲突的 GPU 使用，每个任务都由专用 GPU 处理，从而解决了 lotus-miner 调度器观察到的历史问题。