isage-platform 0.2.0.1

SAGE Platform Services - Queue, Storage, and Service Abstractions

SAGE Platform

平台服务层 (L2) - SAGE 基础设施抽象

📋 概述

SAGE Platform 提供核心基础设施抽象，位于基础层（sage-common）和执行引擎（sage-kernel）之间。这个第二层平台服务提供：

• 队列抽象：Python、Ray 和 RPC 队列的统一接口
• 存储抽象：可插拔的键值存储后端
• 服务基类：构建 SAGE 服务的基础
• 平台接口：分布式系统的通用模式

该包使应用程序代码能够在本地和分布式执行模式之间无缝切换。

✨ 核心特性

• 多态队列：Python Queue、Ray Queue 和 RPC Queue 的单一 API
• 可插拔存储：内存、Redis 和自定义存储后端
• 服务框架：构建平台服务的基类
• 类型安全：完整的类型提示和运行时验证
• 零开销：本地执行的最小抽象成本

组件

🔄 队列 (sage.platform.queue)

支持多种后端的多态队列描述符：

from sage.platform.queue import (
    BaseQueueDescriptor,
    PythonQueueDescriptor,
    RayQueueDescriptor,
    RPCQueueDescriptor,
)

# 创建 Ray 队列
queue_desc = RayQueueDescriptor(maxsize=1000, queue_id="my_queue")
queue = queue_desc.queue_instance

# 使用队列操作
queue_desc.put(item)
item = queue_desc.get()

特性：

• 延迟初始化
• 序列化支持
• 跨进程通信
• 后端无关的 API

💾 存储 (sage.platform.storage)

键值存储抽象：

from sage.platform.storage.kv_backend import BaseKVBackend, DictKVBackend

# 使用内存后端
backend = DictKVBackend()
backend.set("key", "value")
value = backend.get("key")


# 使用自定义后端扩展
class RedisKVBackend(BaseKVBackend):
    # 实现抽象方法
    ...

支持的操作：

• get(key), set(key, value), delete(key)
• has(key), clear(), get_all_keys()
• 磁盘持久化：store_data_to_disk(), load_data_to_memory()

🔌 服务 (sage.platform.service)

SAGE 服务的基类：

from sage.platform.service import BaseService


class MyService(BaseService):
    def __init__(self, config):
        super().__init__(name="my_service")
        self.config = config

    def process(self, request):
        # 服务逻辑
        return response

📦 包结构

sage-platform/
├── src/
│   └── sage/
│       └── platform/
│           ├── __init__.py
│           ├── queue/              # 队列抽象
│           │   ├── base.py
│           │   ├── python_queue.py
│           │   ├── ray_queue.py
│           │   └── rpc_queue.py
│           ├── storage/            # 存储后端
│           │   └── kv_backend.py
│           └── service/            # 服务基类
│               └── base.py
├── tests/
├── pyproject.toml
└── README.md

🚀 安装

基础安装

pip install isage-platform

开发安装

cd packages/sage-platform
pip install -e .

安装可选依赖

# 安装 Ray 支持（分布式队列）
pip install isage-platform[ray]

# 安装 Redis 支持（分布式存储）
pip install isage-platform[redis]

# 完整安装
pip install isage-platform[all]

📖 快速开始

使用队列

from sage.platform.queue import RayQueueDescriptor

# 创建分布式队列
queue_desc = RayQueueDescriptor(maxsize=1000, queue_id="my_distributed_queue")

# 生产者
queue_desc.put({"task": "process_data", "data": [1, 2, 3]})

# 消费者
task = queue_desc.get()
print(f"处理中: {task}")

# 检查队列状态
print(f"队列大小: {queue_desc.qsize()}")
print(f"是否为空: {queue_desc.empty()}")

使用存储

from sage.platform.storage.kv_backend import DictKVBackend

# 创建存储后端
storage = DictKVBackend()

# 存储数据
storage.set("user:1", {"name": "Alice", "age": 30})
storage.set("user:2", {"name": "Bob", "age": 25})

# 检索数据
user = storage.get("user:1")
print(f"用户: {user}")

# 列出所有键
keys = storage.get_all_keys()
print(f"所有键: {keys}")

# 持久化到磁盘
storage.store_data_to_disk("storage.pkl")

创建服务

from sage.platform.service import BaseService


class DataProcessingService(BaseService):
    def __init__(self, config):
        super().__init__(name="data_processing")
        self.config = config
        self.initialize()

    def initialize(self):
        """初始化服务资源"""
        self.logger.info(f"初始化 {self.name}")

    def process(self, request):
        """处理传入请求"""
        self.logger.debug(f"处理请求: {request}")
        result = self._transform_data(request["data"])
        return {"status": "success", "result": result}

    def _transform_data(self, data):
        # 服务逻辑
        return [x * 2 for x in data]


# 使用服务
service = DataProcessingService({"param": "value"})
result = service.process({"data": [1, 2, 3]})
print(result)  # {"status": "success", "result": [2, 4, 6]}

🔧 配置

服务可以通过环境变量或配置文件进行配置：

# platform_config.yaml
platform:
  queue:
    backend: ray  # 或 python, rpc
    maxsize: 1000

  storage:
    backend: dict  # 或 redis
    persist: true
    save_path: ./storage

架构位置

L1: sage-common         ← 基础层
L2: sage-platform       ← 当前层
L3: sage-kernel         ← 执行引擎
    sage-libs
L4: sage-middleware     ← 领域组件
L5: sage-apps           ← 应用程序
    sage-tools
    sage-benchmark
L6: sage-studio         ← 用户界面

设计原则

1. 通用基础设施：平台服务不是 SAGE 特定的
2. 后端无关：支持多种实现（Python、Ray、Redis 等）
3. 最小依赖：仅依赖 sage-common
4. 可扩展性：易于添加新后端

为什么需要 L2 层？

原本这些抽象被分散在：

• Queue Descriptor 在 sage-kernel (L3) ✖️
• KV Backend 在 sage-middleware (L4) ✖️
• BaseService 在 sage-kernel (L3) ✖️

这造成了：

• 架构混乱（基础设施与业务逻辑混合）
• 依赖违规（L1 → L3）
• 有限的可重用性

通过创建 L2：

• ✅ 清晰的关注点分离
• ✅ 正确的依赖方向
• ✅ 更好的组件间可重用性

🧪 测试

# 运行单元测试
pytest tests/unit

# 运行集成测试
pytest tests/integration

# 运行覆盖率测试
pytest --cov=sage.platform --cov-report=html

📚 文档

• 用户指南：查看 docs-public
• API 参考：查看包的文档字符串和类型提示
• 架构：查看 平台层设计

🤝 贡献

欢迎贡献！请查看 CONTRIBUTING.md 了解指南。

📄 许可证

该项目采用 MIT 许可证 - 详情请查看 LICENSE 文件。

🔗 相关包

• sage-common：基础层 (L1) - 提供基本工具
• sage-kernel：执行引擎 (L3) - 使用平台抽象
• sage-middleware：服务层 (L4) - 使用存储和队列
• sage-libs：库层 (L5) - 使用所有平台服务

📮 支持

• 文档：https://intellistream.github.io/SAGE-Pub/
• 问题反馈：https://github.com/intellistream/SAGE/issues
• 讨论：https://github.com/intellistream/SAGE/discussions

---

SAGE 框架的一部分 | 主仓库