构建可扩展的机器学习系统（一）：你所需的架构设计知识

本文介绍了机器学习应用中的一些软件工程基础，快速浏览了最流行的一些架构模式、设计模式，以及面向对象设计的 SOLID 原则，目的是让读者尽可能多地了解构建可扩展软件的主要贡献因素。应用程序设计是否能够适应变化，是构建成功解决方案的关键，如果设计过程很仓促，项目结束时，一定会为犯下的错误交学费。

正文

本专题将通过 两篇系列文章 ，介绍与体系结构和设计有关的软件工程基础知识，以及如何在机器学习管道（ML Pipeline）的每个步骤中应用这些基础知识：

第 1 部分 ：问题陈述 |架构风格 |设计模式 |SOLID

第 2 部分 ：构建机器学习管道

介绍

就像以前在 Steven Geringer 著名的 维恩图 中看到的，数据科学是 3 个学科的交集：计算机科学、数学 / 统计学和特定的领域知识。

数据科学维恩图 [©Steven Geringer]

拥有基本（甚至是高级）的编程技能，是将端到端的经验结合在一起的关键，但还不足以创建一个可以发布的应用程序。除非从 IT 背景 进入数据科学和机器学习（ML），并且在构建企业级的、分布式的、可靠的系统方面拥有实际经验，否则您的 Jupyter 笔记本（ 译者 ： 可创建和共享自己的文学化程序文档）没资格成为优秀的软件，遗憾的是，您也不能成为软件工程师！

虽然您打算构建的是一个很好的预测产品的 原型 ，但仍然需要通过工程技术的路线图来推动它。所需要的是一个由专业软件工程师组成的团队，可以将（一次性）概念验证转化为 高性能 、 可靠 、 松耦合 和 可扩展的 系统！

一切都是设计出来的 ; 但设计得好的东西很少！

在本系列中，我们将展示如何实现良好设计的一些想法。第一部分从基础知识开始，第二部分逐步设计整体架构。这里建议的架构是 技术无关的， 机器学习管道将被分解成责任明确的不同层，可以从许多技术堆栈中选择如何来实现每一层。

接下来看看成功的解决方案应该是如何实现的。

问题陈述

我们的主要目标是建立一个系统，具备以下特性：

▸减少延迟；

▸集成系统的其他部分（例如数据存储，报告，图形用户界面），但松耦合 ；

▸可以水平和垂直伸缩 ；

▸消息驱动，即系统通过异步、非阻塞的消息传递进行通信 ；

▸提供工作负载管理相关的高效计算 ；

▸容错和自我修复，即故障管理 ；

▸支持批量和实时处理。

架构风格

我们将首先介绍一个反应式系统，并快速浏览最流行的架构模式。

反应式系统

反应式系统设计范式采用前后一致的方法来建立更好的系统，这些系统是根据“ 反应式宣言” 的原则进行设计的。每个反应式原则对应一个可扩展性的重要系统维度：

•  易响应的 → 时间

•  易扩展的 → 负载

•  可恢复的 → 错误

•  消息驱动的 → 通信。

反应系统的特性

面向服务架构（SOA）

SOA 将业务问题分解为服务，这些服务通过网络来共享信息。它们还共享代码（即公共组件），以保持反应式系统的一致性和特性，从而减少开发工作。

服务 提供者 发布合约，规定服务的特征以及如何使用服务。服务 使用者 可以在注册中心中找到服务元数据，开发所需的客户端组件来绑定和使用它。

协调器（Orchestrator）是一个综合服务，负责调用和组合其他服务。此外，编排（Choreography）采用去中心化的方法组合服务，服务通过消息 / 事件的交换进行交互。

SOA

流式（Streaming）架构

流式架构包括以下组件：

• 生产者 ：生成和发送消息的应用程序
• 消费者 ：订阅和使用消息的应用程序
• 主题 ：类别特定的记录流，存储成有序和不可变的记录序列，通过分布式集群进行分区和复制
• 流处理器 ：以特定方式处理消息的应用程序（例如数据转换、ML 模型等）。

流式架构

Lambda 架构

Lambda（λ）架构旨在以集成的方式处理 实时 和过去聚合的 批量数据 。它分离了实时和批处理的职责，查询层提供了所有数据的统一视图。

这个概念很简单：生成数据时，会在存储之前对其进行处理，因此分析可以包括最后一秒、最后一分钟或最后一小时生成的数据，只处理传入的数据，而不是所有的数据。

Lambda 架构

微服务架构

微服务是一种架构风格，它将应用程序构造为小型、自主、松耦合和协作的服务集合，围绕业务领域进行建模。这些服务使用同步协议（HTTP/REST）或异步协议（AMQP）进行通信，可以彼此 独立 地开发和 部署 。每个服务都有自己的数据库，以便与其他服务分离。

微服务架构

REST 架构

REST 是一种用于开发 Web 服务 的架构风格，它建立在 Internet HTTP 的现有特性之上，允许以无状态的方式传输、访问和操作文本数据，即应用程序可以在不知道状态的情况下进行通信。

RESTful API 服务通过统一资源定位器（URL）公开，提供了创建、请求、更新或删除（CRUD）数据的功能。它最适合处理解耦（生成 / 消费的 ） 信息和（生成 / 使用信息的 ） 技术的系统。

REST 架构

设计模式

我们将浅显地介绍这个主题，并且只讨论我在本系列的第二部分中可能提到的那些模式。（虽然我每天都在使用它们，但很难用简单的语言全部解释清楚）

软件 设计模式 是针对软件工程中常见问题的优化的、可重复的解决方案。它是一个解决问题的模板，可以在许多不同的情况下使用。

策略

策略模式定义了一系列算法，将每个算法放在一个单独的类中，相互之间 可互换 。将行为封装在单独的类中，消除了任何条件语句，在运行时可以选择正确的算法（即策略）。

• 使用说明 ：业务规则有不同的实现，或者需要算法的不同变体。

策略模式

模板方法

模板方法旨在从不同的过程中抽象出一个通用的过程。它定义了算法的 骨架 ，将某些步骤推迟到子类。子类可以覆盖某些行为，但不能更改骨架。

• 使用说明 ：遵循一系列一致的步骤，各个步骤可能有不同的实现。

:star: 与策略模式的区别 ：

• 模板： 子类 在 编译时 选择算法。
• 策略： 控制 在 运行时 选择算法。

模板方法模式

责任链

• 使用说明 ：多个对象可以处理一个请求，处理程序（或序列）的优先级事先不知道。

责任链模式

观察者

观察者模式（缩写为 Publish/Subscribe 或简称 PubSub）通过定义对象之间的一对多依赖关系，可以轻松地进行通信 广播 ，当一个对象的状态发生变化时，它的所有依赖关系都会自动得到通知和更新。观察者负责注册它们所“观察”的事件。

• 使用说明 ：当改变某个对象时同时需要改变其他对象，不知道多少对象需要改变。

观察者模式

建造者

建造者模式旨在 逐步 构造一个复杂的对象，分离构造与表示。实质上，它允许使用相同的代码，生成对象的不同类型和表示形式。

• 使用说明 ：虽然各个构造步骤有所不同，但可以使用相同的整体构建过程来构建多种复杂对象。

建造者模式

工厂方法

工厂方法定义了一个用于 创建对象 的接口，由子类来完成实例化。

• 使用说明 ：对象的具体类型和依赖关系事先不知道。

工厂方法模式

抽象工厂

抽象工厂关注如何创建 相关产品的系列， 不指定它们具体的类。

• 使用说明 ：不同的规则采用不同的实现，这些规则要么是未知的，要么是可扩展的。

:star:️ 与抽象方法的区别 ：

• 抽象工厂：创建其他工厂，这些工厂反过来创建从基类派生的对象。
• 抽象方法：创建从特定基类派生的对象。

抽象工厂模式

装饰

装饰模式动态地将新的职责附加到对象上，将对象放置在包含行为的特殊包装类（wrapper）中，因此不会影响原来方法的签名（继承上的组合）。

• 使用说明 ：运行时为对象分配额外的行为，不会破坏使用这些对象的代码。

装饰模式

仓库

仓库模式解决了数据检索和持久化的代码集中化问题，并为 数据访问 操作提供了 抽象， 类似内存中域对象的集合，允许执行 CRUD 方法，消除了各种数据库问题。

• 使用说明 ：分离业务逻辑和访问数据的代码。

资源库模式

小奖励

想进一步了解模式？可以先从“Gang of Four”的书《 设计模式：可重用的面向对象软件的基础 》开始。下面的图展示了模式之间的关系，非常重要：

设计模式之间的关系

SOLID

我们唯一的设计原则是 SOLID，它们对于每个软件开发人员来说都是必不可少的。

正如 Bob 大叔 所说： “ 它们不是法律，也不是完美的真理。它们类似于一个规则：每天一个苹果，医生远离我  ”。

这意味着，它们不是某种“魔法”，不是带来牛奶、蜂蜜和优质软件的应许之地，它们是健壮、持久软件的关键贡献者。

简而言之，这些原则围绕两个主要的概念展开，是成功企业应用程序的基石： 耦合 是类了解另一个类并与之交互的程度；而 内聚 表示类具有单一用途的程度。换一种说法：

- 耦合是关于类如何相互作用的；

- 内聚关注单个类的设计方式。

单一责任原则

一个类应该有一个，而且只有一个变化的理由

这是不言自明的，但说起来容易做起来难。我们总是想在现有类中添加新的行为，但这是一个引发灾难的处方：每个行为都可能成为未来变化的理由，因此行为越少，在变化时产生错误的机会就越少。

开闭原则

能够扩展类的行为，而无需对其进行修改

类应该对扩展“开放”，但是对修改“关闭”。要实现这一点可以通过继承，即创建一个子类，关闭对原始类进行修改，将自定义的代码添加到子类来引入新的行为。

里氏替换原则

派生类必须可替代基类

当类 A 的行为扩展到子类 B 时，可以确保在不造成任何破坏的情况下用 B 替换 A。这点可能比较吸引人，特别是当把这一原则与开闭原则结合起来时。

接口隔离原则

创建特定于客户端的细粒度接口

接口和类必须尽可能特定，客户端的调用不依赖未使用的方法。这与单一责任原则是一致的。

依赖倒置原则

依赖抽象，而不是具体实现

高层的类不应该依赖于低层的类。它们都应该依赖于抽象。同样，抽象不依赖于细节，细节依赖于抽象。

小奖励

我创建了下面这个快速参考图。如果想知道左边小符号的灵感来自哪里，请参看：“ SOLID 原则，用励志海报解释 ” —— 我喜欢作者在这些原则上增加的有趣改变???。

SOLID

脚注

这里无法涵盖所有软件工程概念的详尽列表，它只是阅读下一篇文章的基础，我希望它能让读者了解构建可扩展软件的主要贡献因素。应用程序设计是否能够 适应变化 ，是构建成功解决方案的关键，如果设计过程很仓促，项目结束时，一定会为犯下的错误交付学费。

好的设计是易懂的。伟大的设计是透明的。

原文链接： https://towardsdatascience.com/being-a-data-scientist-does-not-make-you-a-software-engineer-c64081526372