permafrost-framework 0.6.2

Distributed intelligent compression for long-term data archival

❄️ Permafrost Framework

Plataforma distribuída de compressão inteligente para arquivamento digital de longo prazo.

Comprime dados históricos com até 33× ratio — e deixa você consultar só o que precisa, sem descomprimir tudo.

Documentação · Quick Start · Benchmarks · API · Contribuir

---

O que é o Permafrost?

Dados corporativos históricos — CSVs, JSONL, dumps de MongoDB — ficam anos em cold storage (S3 Glacier, Azure Archive) pagando caro. O problema: se você precisa buscar os dados de um único mês em um arquivo de 10 GB, é necessário descomprimir tudo.

O Permafrost resolve isso com dois mecanismos:

1. Preditores colunares — transforma os dados semanticamente antes da compressão (delta, zigzag, timestamps, categorias), atingindo ratios muito superiores ao LZMA2 puro
2. Sparse index — índice embutido no arquivo que aponta o byte exato de cada chunk, permitindo leitura seletiva via HTTP Range Request sem baixar o arquivo inteiro

CSV bruto:                  5.85 MB
CSV + LZMA2 puro:           0.499 MB  (ratio 5.97×)
CSV + Permafrost + LZMA2:   0.284 MB  (ratio 10.50×)  ← +76% pelos preditores colunares

---

Funcionalidades

• Alta compressão — preditores colunares (delta_zigzag, lag1_zigzag, ts_delta_s, category_u8, raw_text) antes de Zstd / LZMA2 / ZPAQ
• Leitura seletiva — sparse index embutido permite filter={"ano": 2023} sem descomprimir o resto
• Integridade garantida — SHA-256 por chunk, detectado antes de qualquer decompressão
• Auto-descritivo — schema Arrow completo embutido no arquivo; legível em 2040 sem documentação externa
• Cloud-native — suporte nativo a S3, Google Cloud Storage e Azure Blob Storage com HTTP Range Requests
• Catalog DuckDB — busca em metadados de centenas de arquivos no S3 sem baixar nenhum
• Streaming — processa datasets maiores que a RAM com freeze_file() e thaw_iter()
• Cluster distribuído — Master + Workers via FastAPI; processa 1 TB em paralelo com N workers
• Spark DataSource v2 — integração nativa com PySpark 4.0+ com pushdown via sparse index
• CLI completa — permafrost freeze / thaw / audit / verify / catalog com output rich

---

Instalação

# Instalação básica
pip install permafrost-framework

# Com suporte a AWS S3
pip install "permafrost-framework[s3]"

# Com suporte a Google Cloud Storage
pip install "permafrost-framework[gcs]"

# Com suporte a Azure Blob Storage
pip install "permafrost-framework[azure]"

# Todos os provedores cloud
pip install "permafrost-framework[all-cloud]"

# Com Apache Spark
pip install "permafrost-framework[spark]"

Requisitos: Python 3.10+

---

Quick Start

Freeze e Thaw básico

import permafrost as pf
import pandas as pd

df = pd.read_csv("vendas_historico.csv")

# Comprimir — retorna métricas
metrics = pf.freeze(df, "vendas.permafrost", codec=pf.CODEC_LZMA2, partition_by="ano")
print(f"Ratio: {metrics['ratio']:.2f}×  |  {metrics['original_mb']:.1f} MB → {metrics['stored_mb']:.1f} MB")
# Ratio: 8.37×  |  5.85 MB → 0.68 MB

# Descomprimir tudo
df_back = pf.thaw("vendas.permafrost", verify=True)

# Descomprimir só 2023 — lê apenas os chunks daquele ano
df_2023 = pf.thaw("vendas.permafrost", filter={"ano": 2023})

Streaming (datasets maiores que a RAM)

# Freeze de arquivo grande sem carregar na memória
pf.freeze_file("100gb.csv", "saida.permafrost", chunk_rows=50_000)

# Thaw iterativo em batches
for batch_df in pf.thaw_iter("saida.permafrost", batch_size=50_000):
    processar(batch_df)

Cloud (S3, GCS, Azure)

# Upload direto para S3
pf.freeze_to(df, "s3://meu-bucket/dados/vendas.permafrost")

# Leitura seletiva do S3 via HTTP Range Request — não baixa o arquivo inteiro
df_2023 = pf.thaw_from("s3://meu-bucket/dados/vendas.permafrost", filter={"ano": 2023})

# Auditoria remota sem baixar nada
info = pf.audit_remote("s3://meu-bucket/dados/vendas.permafrost")

Catalog — busca em múltiplos arquivos

cat = pf.PermafrostCatalog("catalog.db")
cat.register_dir("s3://meu-bucket/cold/")   # indexa metadados sem baixar

# Busca por nome, codec, lossless
resultados = cat.search(name="vendas", lossless_only=True)

# Relatório de custo estimado no Glacier Deep Archive
cat.cost_report("glacier_deep")

# Verificação de integridade em massa
cat.integrity_check()

Cluster distribuído

from permafrost import PermafrostClient

client = PermafrostClient("http://master:8700")
job_id = client.freeze("dados_grandes.csv", "s3://bucket/saida.permafrost")
status = client.wait(job_id)
print(status)  # {"status": "done", "ratio": 10.2, "workers_used": 4}

Apache Spark

from permafrost.spark import register

register(spark)
df = spark.read.format("permafrost").load("s3://bucket/dados.permafrost")
df.filter(df.ano == 2023).show()   # pushdown via sparse index — não lê chunks desnecessários

CLI

# Comprimir
permafrost freeze vendas.csv vendas.permafrost --codec lzma2 --partition-by ano

# Descomprimir com filtro
permafrost thaw vendas.permafrost --filter '{"ano": 2023}' --output vendas_2023.csv

# Auditoria (sem descomprimir)
permafrost audit vendas.permafrost

# Verificar integridade de todos os chunks
permafrost verify vendas.permafrost

# Catalog
permafrost catalog register s3://bucket/cold/
permafrost catalog search --name vendas
permafrost catalog cost-report --tier glacier_deep

---

Benchmarks

Medidos em hardware real (não estimativas):

Dataset	Original	.permafrost	Ratio	Codec
CSV corporativo (80k linhas × 9 colunas)	5.85 MB	0.678 MB	8.37×	LZMA2
JSONL social media (5k posts)	1.44 MB	0.043 MB	33×	LZMA2
Streaming 300k linhas	~97 MB est.	1.018 MB	95×	LZMA2
CSV numérico (delta_zigzag)	5.85 MB	0.284 MB	10.50×	LZMA2

Custo em cloud storage:

Volume	S3 Glacier Deep Archive sem Permafrost	Com Permafrost	Economia
1 TB/mês	$0.99	$0.12	-88%
10 TB/mês	$9.90	$1.20	-88%
100 TB/mês	$99.00	$11.88	-88%

Por que o Permafrost comprime melhor que LZMA2 puro?

Os preditores colunares transformam os dados antes do codec:

• delta_zigzag — para séries numéricas: guarda a diferença entre valores consecutivos (muito menor e mais compressível)
• lag1_zigzag — para séries com tendência linear
• ts_delta_s — para timestamps: guarda o delta em segundos
• category_u8 — para colunas categóricas: substitui strings por inteiros de 1 byte
• raw_text — para texto livre: passa direto para o codec

---

Formato .permafrost v1.2

O formato é auto-descritivo — legível sem documentação externa:

[MAGIC: "PRMS" 4B]              identificação
[VERSION: 1.2 2B]
[FLAGS: bitmask 2B]             delta | quantize | chunked | predictor | index
[CODEC_ID: 1B]                  0x01=Zstd | 0x02=LZMA2 | 0x03=ZPAQ
[QUANT: 1B]                     0x00=lossless | 0x01=high | 0x02=medium | 0x03=low
[N_CHUNKS: 2B]
[SCHEMA ARROW: var]             schema completo embutido
[PREDICTOR MANIFEST: JSON]      preditor e metadados por coluna
[COMMENT: var]
[FREEZE_TIMESTAMP: int64]
[ORIGINAL_ROWS: uint64]
[HEADER SHA-256: 32B]           integridade do header
[CHUNK_0: u32_len + data + sha256] × N
[SPARSE INDEX: JSON]            byte_offset de cada chunk
[INDEX_SHA256: 32B]
[EOF: "SMRP" 4B]                PRMS invertido

---

API Reference

Core

Função	Descrição
pf.freeze(df, path, ...)	Comprime um DataFrame para arquivo .permafrost
pf.thaw(path, filter=None, verify=False)	Descomprime; filter usa sparse index
pf.audit(path)	Retorna metadados sem descomprimir

Streaming

Função	Descrição
pf.freeze_file(csv_path, out_path, chunk_rows=50_000)	Comprime CSV grande sem carregar na memória
pf.freeze_stream(cursor_gen, out_path)	Comprime a partir de um generator
pf.thaw_iter(path, batch_size=50_000)	Descomprime em batches iterativos

Cloud

Função	Descrição
pf.freeze_to(df, uri)	Comprime e envia direto para S3/GCS/Azure
pf.thaw_from(uri, filter=None)	Descomprime do cloud com Range Request
pf.audit_remote(uri)	Audita arquivo remoto sem baixar tudo
pf.storage_from_uri(uri)	Retorna o adapter de storage adequado para a URI

Catalog

Classe/Método	Descrição
PermafrostCatalog(db_path)	Cria ou abre um catalog DuckDB
.register_dir(path_or_uri)	Indexa todos os .permafrost de um diretório
.search(name, lossless_only, codec)	Busca por metadados
.cost_report(tier)	Estima custo mensal por tier de storage
.integrity_check()	Verifica SHA-256 de todos os arquivos indexados

Cluster

Classe/Método	Descrição
PermafrostMaster(host, port)	Inicia o nó master do cluster
PermafrostWorker(master_url)	Inicia um worker que se registra no master
PermafrostClient(master_url)	Cliente para submeter jobs ao cluster
client.freeze(input, output)	Submete job de freeze ao cluster
client.wait(job_id)	Aguarda conclusão do job

Codecs disponíveis

Constante	Descrição
pf.CODEC_ZSTD	Zstandard — rápido, bom ratio
pf.CODEC_LZMA2	LZMA2 — maior ratio, mais lento
pf.CODEC_ZPAQ	ZPAQ — ratio máximo, muito lento

---

Testes

A suite cobre 268+ cenários incluindo edge cases, benchmarks mínimos, fidelidade total e tolerância a falhas:

test_freeze_thaw.py              freeze/thaw/audit/integridade/sparse index
test_sparse_index.py             chunked freeze, thaw seletivo, bit-rot detection
test_catalog.py                  register, search, thaw, cost, integrity, SQL
test_cluster.py                  health, lifecycle, concorrência, cancelamento
test_comprehensive.py            edge cases, todos os codecs, benchmarks mínimos
test_fidelidade_total.py         100% linha por linha, distribuições, multi round-trip
test_concorrencia.py             10 threads simultâneas, freeze+thaw paralelos
test_predictor_edge_cases.py     variância zero, 256 cats, timestamps extremos
test_cluster_fault_tolerance.py  retry, sem workers, 10 jobs paralelos
test_formato_binario_spec.py     byte a byte do formato, SHA-256, sparse index
test_schema_detector_stress.py   50% campos ausentes, tipos misturados, 100 campos
test_cli_cobertura.py            todos os comandos CLI
test_performance_regression.py   ratio ≥8×, thaw <2s, audit <50ms

Status atual dos testes:

---

Docker — Cluster em produção

# Subir cluster com 4 workers
docker-compose up --scale worker=4

# Build local
docker-compose -f docker-compose.yml -f docker-compose.dev.yml up --scale worker=2

Imagens disponíveis no Docker Hub:

• caua-ferreira/permafrost-master
• caua-ferreira/permafrost-worker

---

Contribuindo

Contribuições são bem-vindas! Veja o guia de contribuição.

git clone https://github.com/caua-ferreira/permafrost-framework
cd permafrost-framework
pip install -e ".[dev]"
pytest tests/ -v

---

Licença

Apache License 2.0 — veja LICENSE.

---

Feito com ❄️ para dados que precisam durar décadas.