레이 (분산 컴퓨팅) 편집하기 (부분)

==기타 설계 사항==
===직렬화(Serialization)===
*Ray는 Plasma in-memory object store를 사용하여 객체를 노드 간 및 프로세스 간 효율적으로 전달한다.
*NumPy 배열은 zero-copy 방식으로 같은 노드 내 여러 워커가 공유할 수 있다.
*Plasma에 저장된 객체는 불변이며(shared memory)에 저장된다.
*객체는 요청이 있을 때에만 다른 노드로 전송되며, 사전 복제되지 않는다.
===리소스 관리===
*기본적으로 함수와 액터는 동일한 자원(CPU 1개)을 요구한다.
*GPU, 메모리 등 필요한 자원을 명시할 수 있으며, 스케줄러는 이를 고려하여 실행 노드를 할당한다.
* 자원이 부족한 경우, 오토스케일러가 필요한 사양을 가진 노드를 추가한다.
===자동 스케일링(Autoscaler)===
*오토스케일러는 다음을 담당한다:
**워커 노드 생성
**워커 노드 제거
**워커 재시작
===배치 전략(Placement Groups)===
*Placement group은 작업과 자원을 함께 배치하기 위한 논리적 단위이다.
*사전 자원 할당(preallocation)을 통해 작업 지연을 줄일 수 있다.
*'''Pack''': 하나의 노드에 최대한 묶어 배치하여 locality 향상
*'''Spread''': 여러 노드에 분산 배치하여 신뢰성 및 부하 분산 확보<ref>Placement group은 CPU, GPU 등 자원 묶음 단위로 구성된다.</ref>
===네임스페이스(Namespaces)===
*Ray는 작업과 액터를 논리적으로 그룹화하기 위해 네임스페이스를 사용한다.
*기본적으로 익명 네임스페이스에서 실행된다.
*여러 프로그램에서 동일한 액터를 공유하려면 동일한 네임스페이스를 명시해야 한다.
<syntaxhighlight lang="python">
ray.init(namespace="bdad")
</syntaxhighlight>
===의존성 관리===
*Conda 또는 virtualenv 기반으로 동적 환경 구성이 가능하다.
* 런타임 환경을 함수 단위로 설정할 수도 있다.
<syntaxhighlight lang="python">
ray.init(runtime_env={"pip": "requirements.txt"})

@ray.remote(runtime_env={"conda": ["some_package"]})
def some_function(x): ...
</syntaxhighlight>
===Job API===
*클러스터에 작업을 제출하고 추적할 수 있는 API를 제공한다.
*작업 ID로 상태를 조회하거나 실행 로그를 확인할 수 있다.