alibaba/GraphScope

[BUG] Loading from large dataframe/large numpy requires holding all chunks in coordinator

Open

#2.342 aberto em 23 de dez. de 2022

Ver no GitHub
 (0 comments) (1 reaction) (0 assignees)HTML (2.401 stars) (301 forks)batch import
bugcomponent:coordinatorgood first issue

Description

Describe the bug

It looks strange that we need to accumulate all chunks in the request stream into a list in coordinator before sending to analytical engine, that would requires large available memory for the coordinator pod.

https://github.com/alibaba/GraphScope/blob/b80a35599424580325a750e734f8a3b2dead2a5b/coordinator/gscoordinator/dag_manager.py#L77-L107

Guia do colaborador

Pilha de tecnologia
pythonnumpypandas
Domain
backend
Tipo Issue
bug
DifficultyDificuldade de implementação estimada para um novo contribuidor, de 1 para alterações muito pequenas a 5 para trabalho de nível especializado.
3
Tempo estimadoUm intervalo de tempo aproximado para um colaborador experiente investigar, implementar, testar e preparar um pull request.
half day
Status da atividadeQuão disponível o issue aparece agora: novo, ativo, obsoleto, bloqueado ou aguardando entrada do mantenedor.
stale
ClarityCom que clareza o issue explica a mudança esperada, os critérios de aceitação e a próxima etapa.
clear
Prerequisites
PythonNumPyGraphScope coordinator architecture
Simpatia para novatosUma pontuação de 1 a 100 que estima o quão acessível este issue é para colaboradores iniciantes.
30
Direção de pesquisa
Investigate the coordinator code in dag manager.py lines 77-107. The issue is that all chunks are accumulated in a list before being sent to the analytical engine, causing high memory usage. Consider modifying the code to stream chunks directly to the engine or send them in smaller batches. Look at the AnalyticalEngine interface to see if it supports streaming input. No comments or PRs exist, so this is an open opportunity for optimization.