alibaba/GraphScope

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

Open

#2,342 创建于 2022年12月23日

在 GitHub 查看
 (0 评论) (1 反应) (0 负责人)HTML (301 fork)batch import
bugcomponent:coordinatorgood first issue

仓库指标

Star
 (2,401 star)
PR 合并指标
 (平均合并 1分钟) (30 天内合并 8 个 PR)

描述

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

贡献者指南

研究方向
研究 dag manager.py 第 77-107 行的协调器代码。问题是所有数据块在发送到分析引擎之前都累积在一个列表中，导致内存使用率高。考虑修改代码，将数据块直接流式传输到引擎，或以更小的批次发送。查看 AnalyticalEngine 接口，确认其是否支持流式输入。目前没有相关评论或 PR，这是一个开放的优化机会。
技术栈
python
领域
backend
议题类型
缺陷
难度面向新贡献者的预计实现难度，1 表示很小改动，5 表示专家级工作。
3
预计时间有经验贡献者完成调查、实现、测试并准备 pull request 的粗略时间范围。
1-3 小时
活动状态议题当前的可参与程度：新鲜、活跃、陈旧、阻塞或等待维护者输入。
新近可参与
清晰度议题是否清楚说明期望改动、验收标准和下一步。
基本清晰
前置要求
PythonDistributed systems
新手友好度1-100 的估计分数，表示该议题对首次贡献者的友好程度。
40