Restate项目中Remote Query Scanner消息迁移的技术解析
2025-07-02 09:06:03作者:侯霆垣
在Restate项目的开发过程中,团队需要对Remote Query Scanner相关的消息进行迁移,将其从原有实现转移到bilrost框架下。这项工作的核心在于处理消息序列化和反序列化的兼容性问题,特别是针对那些作为RPC响应对象的复杂枚举类型。
技术背景
Remote Query Scanner是Restate系统中负责远程查询扫描的关键组件,其消息定义原本位于项目的网络模块中。随着架构演进,团队决定将这些消息迁移到bilrost框架下,以利用其更高效的序列化机制。
核心挑战
迁移过程中遇到的主要技术难点在于如何处理RemoteQueryScannerNextResult这个枚举类型。该类型作为RPC响应对象,其设计模式与bilrost框架的兼容性存在冲突:
- bilrost框架对Oneof类型的支持有限,特别是当这些类型需要直接作为RPC响应对象时
- 需要保持与原有序列化格式的向后兼容性
- 枚举类型的变体包含复杂数据结构,如元组和自定义类型
解决方案
经过技术讨论,团队确定了以下解决方案路径:
1. 消息结构重构
将原本的枚举类型重构为包含内部枚举的结构体模式。这种设计既满足了bilrost框架对Message trait的要求,又保持了原有的语义表达:
#[derive(bilrost::Message)]
pub struct RemoteQueryScannerNextResult {
#[bilrost(oneof(1, 2, 3, 4, 5))]
inner: RemoteQueryScannerNextResultInner,
}
#[derive(bilrost::Oneof)]
enum RemoteQueryScannerNextResultInner {
Unknown,
NextBatch(RemoteQueryScannerNextResultNextBatch),
Failure((ScannerId, String)),
NoMoreRecords(ScannerId),
NoSuchScanner(ScannerId),
}
2. 兼容性处理
通过实现From/TryFrom trait和serde的转换标记,确保新旧格式间的无缝转换:
#[derive(bilrost::Message)]
#[serde(into="RemoteQueryScannerNextResultInner", try_from="RemoteQueryScannerNextResultInner")]
pub struct RemoteQueryScannerNextResult {
#[bilrost(oneof(1, 2, 3, 4, 5))]
inner: RemoteQueryScannerNextResultInner,
}
3. 实用方法封装
为重构后的类型添加便捷的构造方法和解析方法,提升API易用性:
impl RemoteQueryScannerNextResult {
pub fn success(scanner_id: ScannerId) -> Self {
Self {
inner: RemoteQueryScannerNextResultInner::Success { scanner_id },
}
}
pub fn parse(self) -> anyhow::Result<ScannerId> {
match self.inner {
RemoteQueryScannerNextResultInner::Unknown =>
anyhow::bail!("Got unknown response"),
// 其他变体处理...
}
}
}
技术价值
这种解决方案带来了多重技术优势:
- 框架兼容性:完全符合bilrost框架对Message trait的要求
- 类型安全:保持了Rust强类型系统的优势
- 向后兼容:通过serde转换保持了与旧版消息格式的互操作性
- 代码清晰:将复杂的枚举逻辑封装在结构体中,提供更清晰的API边界
经验总结
通过这次迁移工作,团队积累了处理复杂消息类型迁移的宝贵经验:
- 当遇到框架限制时,考虑通过中间类型或包装类型来解决问题
- 保持向后兼容性需要同时考虑序列化格式和API设计
- Rust的trait系统为解决这类问题提供了强大而灵活的工具
- 良好的封装可以隐藏实现细节,为后续的架构演进预留空间
这项工作的完成不仅解决了当前的技术需求,也为Restate项目后续的消息系统演进奠定了坚实基础。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
402
3.12 K
Ascend Extension for PyTorch
Python
224
249
暂无简介
Dart
672
159
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
315
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
219