venice

Venice 项目介绍

概述

Venice是一个用于衍生数据存储的平台，专为处理大规模工作负载而设计。其主要特点包括支持从批处理和流媒体源（如Hadoop和Samza）的高吞吐量异步数据摄取、通过远程查询或进程内缓存实现的低延迟在线读取、基于CRDT的跨区域主动-主动复制、区域内多集群支持以及每个集群内的多租户、水平扩展和弹性。这使得Venice非常适合作为支持特征存储（例如Feathr）的状态组件，许多AI应用程序将机器学习训练作业的输出输入到Venice中，然后在在线推理工作负载期间查询这些数据。

写入路径

Venice的写入路径支持三种粒度的数据操作：完整数据集交换、向现有数据集中插入多行、以及更新某些行的某些列。这三种操作都可以通过Hadoop和Samza实现。此外，任何服务都可以使用在线生产者库异步执行单行插入和更新。支持的写入操作包括：

完整数据集交换
插入一些行到现有数据集
更新某些行的某些列

混合存储

以上三种写入操作粒度可以在一个数据集中混合使用，称为混合存储。配置混合存储时，需要定义一个回溯时间，以确定在新的数据集生成交换前，实时写入数据需回溯并叠加的时间跨度。这种机制允许将流处理作业的输出叠加在批处理作业的输出之上，通过部分更新，还可以实现一些列实时更新，一些列批量更新，这两组列可以根据需要重叠或不重叠。

写入计算

写入计算包括两类操作：

部分更新：设置值中的某个字段内容。
集合合并：添加或移除集合或映射中的条目。

目前，写入计算仅支持主动-被动复制，主动-主动复制的支持仍在开发中。

读取路径

Venice支持以下读取API：

单次获取：获取与单个键相关联的值
批量获取：获取与一组键相关联的值
读取计算：对一组键相关联的值的某些字段进行选择投影和/或一些函数运算。支持的运算包括点积、余弦相似度、Hadamard积和集合计数。

客户端模式

访问Venice数据有两种主要模式：

传统Venice（无状态）：进行远程查询，使用细分客户端或者快速客户端进行请求。
Da Vinci（有状态）：预先加载一些或全部数据分区，查询本地缓存，并实时更新本地缓存数据。

不同客户端的特性对比如下：

	网络跳数	典型延迟 (p99)	状态占用
细分客户端	2	< 10毫秒	无状态
快速客户端	1	< 2毫秒	最小路由元数据
Da Vinci 客户端	0	< 1微秒	限制内存与完整SSD数据集
Da Vinci 客户端	0	< 10微秒	完整内存数据集

所有客户端共享相同的读取API，使用户可以在不改变编写应用程序的情况下调整性能和成本。

社区和资源

用户可以通过Slack工作区、LinkedIn群组和GitHub问题与社区进行互动。官方博客、LinkedIn页面、X平台以及YouTube频道都可以提供更多关于Venice项目和社区动态的信息。用户也可以参考Venice快速入门指南以创建自己的Venice集群，并体验其创建数据存储、批量推送、增量推送和单次获取的功能。

Venice项目提供了丰富的文档和社区支持，希望新用户和贡献者能够快速上手并参与到项目的发展中。