Ray 是一个面向 Python 的分布式计算框架，最初作为 UC Berkeley RISELab 的研究项目发展而来，如今已演进为覆盖数据加载、分布式训练、超参调优、在线推理等环节的完整 AI 计算生态。本文从核心抽象、总体架构、底层机制与上层生态四个层面梳理 Ray 的设计与实现。

一、 引言：Ray 解决的问题

在 Ray 出现之前，机器学习流水线通常需要拼接多套系统：用 Spark 处理数据，用 Horovod 进行分布式训练，用 Celery 执行异步任务，用 Kubernetes 部署在线推理服务。这种组合带来几个问题：

  1. 多套系统的学习与运维成本叠加。
  2. 系统之间的数据交换依赖磁盘或网络序列化，存在额外开销。
  3. Python 本身缺少细粒度的分布式原语。

Ray 提供了一套统一的编程模型：开发者只需在普通 Python 函数或类上添加 @ray.remote 装饰器，即可将单机代码扩展到多节点集群。它同时支持无状态的任务（Task）和有状态的服务（Actor），用同一套底座承载不同类型的 AI 计算负载。

二、 Ray 的核心概念与编程模型

Ray 的三个核心抽象是 Task（任务）、Actor（参与者）和 Object（对象）。

1. Task（无状态任务）

Task 是 Ray 调度的基本单位。任何 Python 函数加上 @ray.remote 装饰器后即成为远程函数。调用该函数（通过 .remote()）时，Ray 会在集群的某个节点上异步执行它，并立即返回一个 ObjectRef（对象引用），而非阻塞等待结果。

2. Actor（有状态参与者）

Task 是无状态的。若需要在多次操作之间保持状态（例如维护模型权重或数据库连接），则使用 Actor。Python 类加上 @ray.remote 后，实例化时会在集群中创建一个常驻进程，即 Actor。对 Actor 方法的调用同样是异步的，且在同一 Actor 内按调用顺序串行执行。

3. Object 与 ObjectRef（分布式对象）

Task 的返回值以及通过 ray.put() 显式放入集群的数据都属于 Ray 的 Object。Object 不可变（Immutable），存储在 Ray 的分布式内存对象存储中。Ray 返回一个 ObjectRef，用于跨节点安全地引用该数据，而无需主动拷贝。

概念关系连线图

下面的关系图展示了这三个概念如何协同工作的：

上图刻画了 Ray 编程模型中三类核心抽象之间的完整数据流，可以从以下三个层次来理解：

图中的粉色节点客户端/驱动程序是整个计算图的数据源，它通过两种方式向集群提交工作：一是将无状态的计算逻辑作为 Task 提交（对应 Task1、Task2 两条实线箭头，标注为”提交无状态计算”）；二是通过 @ray.remote 装饰器创建带内部状态的 Actor（对应”创建状态副本”实线箭头）。值得注意的是，所有提交动作都是异步的——Task.remote() 与 Actor 方法调用都会立即返回，不会阻塞客户端。

每个 Task 执行完毕后，其返回值会被写入 Ray 的分布式内存对象存储，形成不可变的 Object（图中圆柱体 Obj1、Obj2、Obj3）。客户端拿到的只是指向这些对象的 ObjectRef 句柄，而非数据本身。Task1 的输出成为 Obj1，Task2 的输出成为 Obj2，这两个对象随后通过虚线箭头（”作为输入引用 ObjectRef”）分别被 Task2 和 Actor 消费——这正是 Ray 数据依赖的传递方式：Task 之间无需直接通信，只需引用彼此输出的 ObjectRef 即可建立依赖关系，Ray 调度器会根据这些依赖自动决定任务的执行顺序与数据放置位置。

绿色节点 Actor 的行为与 Task 有本质区别：它在集群中作为常驻进程运行，通过 State（菱形节点”维护内部状态”）保存跨调用持久化的成员变量——例如模型权重、数据库连接等；同时它对外”处理请求并输出” Obj3。由于 Actor 方法在同一实例内按调用顺序串行执行，天然提供了有状态服务所需的并发一致性。

实线箭头表示”提交/创建/输出”这类触发型关系（客户端→Task/Actor，Task/Actor→Object）；虚线箭头表示”作为输入引用”这类依赖型关系（ObjectRef→Task/Actor）；菱形 State 节点则代表 Actor 特有的内部状态保持关系。理解了这幅图，就把握住了 Ray 的核心设计理念：无状态计算用 Task、有状态服务用 Actor、跨节点传数据一律走 ObjectRef。

三、 Ray 的总体架构设计

Ray 的架构采用去中心化与中心化相结合的设计。整体由三个主要部分构成：Global Control Store (GCS)、Raylet 和 Client/Worker。

1. 架构示意图

上图展示了 Ray 集群的基本拓扑。整个集群由一个 Head Node 和多个 Worker Node 组成，图中以两个 Worker Node 为例。三类节点、三类连线，下面分别说明。

先看节点。Head Node 承担管理职责，内部运行三个进程：

  • GCS：中央元数据服务，保存集群级状态（节点健康、Actor 位置、Placement Group 等）。
  • Raylet：头节点自身的 Raylet，负责本节点的资源管理与任务调度。
  • Driver：客户端驱动程序，是用户代码提交 Task、创建 Actor 的入口。

Worker Node 负责实际的计算，每个节点运行以下进程：

  • Raylet：节点内的调度中枢，同时是与 GCS 通信的桥梁。
  • Plasma：节点内的内存对象存储，存放本节点 Worker 产生的 Object。同一节点上的 Worker 通过共享内存读写该存储，无需跨进程拷贝。
  • Worker Process：执行无状态 Task 的工作进程，一个节点可以有多个（如 Worker Node 1 中的 Worker1_A、Worker1_B）。
  • Actor Process：承载有状态服务的常驻进程。并非每个节点都必须有 Actor——图中 Worker Node 1 有一个 Actor，Worker Node 2 只有 Worker，没有 Actor。

再看连线，图中包含三类通信关系：

  • GCS 与所有 Raylet 之间的双向连线（GCS ↔ Raylet_Head / Raylet1 / Raylet2）：这是控制面通信。每个 Raylet 启动时向 GCS 注册自身，之后持续上报心跳与资源使用情况；各节点也通过这条链路查询 GCS 保存的 Actor 位置注册表等集群级信息。
  • 节点内部 Raylet 与 Plasma、Worker、Actor 之间的双向连线：这是数据面与执行面的通信。Raylet 把任务分发给本节点的 Worker 并接收结果；Worker/Actor 读写 Object 时经由 Raylet 协调对应的 Plasma 对象存储。因此 Raylet 是节点内唯一的调度与协调入口。
  • Plasma1 与 Plasma2 之间的虚线双向连线：标注为”对象的 P2P 传输”。当一个节点的 Task 需要读取存储在另一个节点上的 Object 时，由本节点的 Object Manager 直接从远端 Plasma 拉取数据，不经过 GCS 中转。这也是跨节点数据流的主要通道。

整体来看，GCS 与 Raylet 构成星形的控制面，各节点内部的 Raylet、Plasma、Worker/Actor 构成自洽的执行面，节点之间的对象传输走 P2P 链路，三者各司其职、互不干扰。

2. 核心组件解析

2.1 Global Control Store (GCS)

GCS 是 Ray 集群的中央元数据服务。早期版本基于 Redis 实现，后续版本改为自研的独立服务。它存放的是集群级信息，包括：

  • 各节点的健康状态与资源可用量。
  • Actor 的位置注册表。
  • Job 与 Placement Group 等元数据。

注意，单个任务（Task）的运行状态并不集中存在 GCS 里，而是由创建它的 worker 通过所有权模型自行管理（见下文第四节的“对象所有权模型”）——GCS 只负责集群层面这些跨节点共享的元数据。

GCS 简化了容错实现：节点失效后，新节点通过查询 GCS 即可重建集群状态。

2.2 Raylet（节点管理器）

每个计算节点上运行一个 Raylet 守护进程，负责节点内的资源管理与任务调度，包含两个子组件：

  • Node Manager（节点管理器）：接收来自本地 Worker 或其他 Raylet 的任务，根据本地资源情况分配给本地 Worker 进程执行；本地资源不足时，将任务转发（Spillback）给其他节点。
  • Object Manager（对象管理器）：管理当前节点的对象存储，并在需要时从其他节点拉取对象数据（P2P 传输）。

2.3 内存对象存储

Ray 通过共享内存实现对象存储。同一节点上的不同 Worker 读取同一份数据时，往往可以避免数据在进程间复制——尤其是 numpy 这类基于缓冲区的对象，做的是零拷贝（Zero-copy）访问；一般 Python 对象仍需反序列化。这一机制对海量数据与模型预加载场景尤为重要。

说明：早期版本中对象存储由独立的 Plasma 进程提供；Ray 2.x 起 Plasma 被移除，对象存储改为内嵌于 Raylet 进程内实现，但共享内存与零拷贝的语义保持不变。上图中的 Plasma 对应的是这一对象存储组件。

四、 关键技术细节剖析

在相对简单的 API 背后，Ray 在底层做了若干针对性优化。以下分析几个重点机制。

1. 分布式的自下而上调度策略（Bottom-up Scheduling）

与 Hadoop/Spark 这类由中心调度器统一分配任务的“自上而下”模式不同，Ray 采用分布式调度，并配合自下而上的 Spillback 机制，以避免中心调度器在高并发下成为瓶颈：

  1. Driver 提交 Task 时，先提交给本地节点的 Raylet（Node Manager）。
  2. 本地 Raylet 优先尝试在本地执行该 Task（检查 CPU/GPU 资源与依赖的 Object 是否就绪）。
  3. 若满足条件，直接调起本地 Worker 执行，无需跨节点网络通信。
  4. 若本地无法执行（资源耗尽，或依赖数据位于远端且体积较大），本地 Raylet 将 Task 溢出（Spillback）给有剩余资源的远端 Raylet。

该策略降低了任务调度的延迟：单机场景下本地 Task 的提交开销很小（亚毫秒级），吞吐量也高于中心化调度。

2. 对象所有权模型（Ownership Model）与分布式 GC

早期 Ray 将对象元数据集中维护在 GCS 中，带来较大的通信开销。后续版本引入所有权模型：调用创建任务 API 的 Worker 即“拥有”该任务返回值的 ObjectRef。

Owner 进程负责：

  • 记录 Object 的位置、状态与生命周期。
  • 在 Task 失败时决定重试逻辑（而非由全局中心决定）。
  • 管理垃圾回收（GC）：当作用域内的 ObjectRef 在 Python 层的引用计数归零后，Owner 通过内部 RPC 通知所在节点的 Raylet，从对象存储中删除该 Object。

当对象总量超过内存容量时，Ray 的对象存储支持 Object Spilling（对象溢出）：按 LRU 策略将最冷的数据异步序列化并持久化到本地磁盘或云存储（如 AWS S3），对上层应用透明。

3. Actor 的生命周期与容错恢复（Fault Tolerance）

Ray 的容错分为数据容错与计算容错：

  • Lineage Reconstruction（血统重建）：对于无状态 Task，若节点宕机导致 Object 丢失，只要 Owner 仍在，Owner 知道该 Object 的生成方式，可重新提交 Task 重新计算。
  • Actor 重启机制：当包含 Actor 的节点宕机，GCS 通过心跳检测到失效后，会在其他存活节点重新调度并启动该 Actor 进程。但这只重建了 Actor 本身，不保证其运行时的内部状态（如成员变量），业务级容错需要开发者结合 Checkpoint 机制自行实现。

五、 Ray 的上层生态系统

Ray 的价值不仅在于底层的 Core，还在于其官方构建的覆盖机器学习各环节的组件。

  1. Ray Data：负责数据加载与预处理。它不取代 Spark 处理复杂 SQL 查询，而是将清洗后的特征数据或大模型语料以 Pipeline 形式高效喂入 GPU 进行训练。
  2. Ray Train：对 PyTorch 或 TensorFlow 的分布式训练进行封装，屏蔽节点变更导致的 RANK 更新等细节，并集成 Ray 的容错机制。
  3. Ray Serve：面向复杂模型流的在线推理框架。实际推理可能涉及多个模型（如文生图、文生文、审核模型）组成的 DAG。Ray Serve 可为 DAG 上不同节点分配不同资源（如文本节点用 CPU、图像节点用 GPU），实现资源差异化分配。
  4. RLlib：面向强化学习的分布式训练库，内置 PPO 等常用算法，用于大规模 RL 训练场景。

六、 生产环境实践：KubeRay 的结合

Ray 自带资源管理能力，但企业级数据中心普遍以 Kubernetes 作为资源底座。当前主流的部署方式是 KubeRay。

KubeRay 是一个 Kubernetes Operator，通过 RayCluster 这个 CRD（Custom Resource Definition）管理 Ray 集群：

  • 开发者提交 YAML 声明集群规模，例如”1 个 Head、10 个带 GPU 的 Worker”。
  • KubeRay 据此拉起对应的 Pods。
  • 自动扩缩容（Autoscaling）：这里的扩缩容分几个层级。当 Ray 调度器检测到大量 Task 因 GPU 不足而排队时，Ray Autoscaler（运行在 head Pod 内的 sidecar 容器）会请求新增 worker Pod——具体做法是递增 RayCluster CR 里的 replicas 字段；随后 KubeRay operator 按新的 replicas 创建对应的 Ray worker Pod。如果 K8s 集群本身的节点（虚拟机）也不够，则由用户自行配置的 Kubernetes Cluster Autoscaler 去云厂商购买新的底层节点。这样从 Task 排队一直到云底座 IaaS，形成了一条完整的弹性伸缩链路。

七、 总结

Ray 通过分布式调度、共享内存对象存储与统一的 Task/Actor 抽象，将机器学习流水线中的多套系统收敛到单一框架。在 LLM 时代，Ray 被广泛用于大规模分布式训练、RLHF 与多模态模型的并行推理部署。

理解 Ray 的底层机制，有助于编写高性能的并行 Python 代码，也有助于构建高可用、高吞吐的 AI 基础设施。随着算力协同需求的增长，Ray 已成为 AI 云原生基础设施中的常见组成部分。