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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
热门内容推荐
最新内容推荐
绝杀 Tauri/Pake Mac 打包报错:`failed to run xattr` 的底层逻辑与修复方案避坑指南:Pake 打包网页为何“高级功能失效”?深度解析拖拽与下载的底层限制Tauri/Pake 体积极限优化:如何把 12MB 的应用无情压榨到 2MB 以内?受够了 100MB+ 的套壳 App?最强 Electron 替代方案 Pake 深度测评与原理解析告别臃肿积木!用 Pake 1 分钟把任意网页变成 3MB 桌面 App(附国内极速环境包)智能票务抢票系统:突破手动抢票瓶颈的效率革命方案如何利用Path of Building PoE2高效规划流放之路2角色构建代码驱动的神经网络可视化:用PlotNeuralNet绘制专业架构图whisper.cpp CUDA加速实战指南:让语音识别效率提升6倍的技术解析Windows 11系统PicGo高效解决安装与更新全流程指南
项目优选
收起
deepin linux kernel
C
28
15
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
660
4.26 K
🎉 (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
1.54 K
894
Ascend Extension for PyTorch
Python
505
610
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
392
289
暂无简介
Dart
909
219
🔥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
69
21
昇腾LLM分布式训练框架
Python
142
168
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++
940
867
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.33 K
108