Aura引擎端点概述

什么是端点

在AI DataLake服务中，端点是用户与AI DataLake引擎和计算资源交互的入口，其本质是“计算引擎”与“计算资源”的绑定，使得提交的作业可以访问AI DataLake的引擎并使用AI DataLake的计算资源。

端点的优势：

• 自动绑定引擎和计算资源池：创建端点时，AI DataLake自动将引擎和计算资源池绑定，在后续提交作业时无需再手动配置作业与引擎和资源的映射关系。
• 灵活配置分配给端点的计算资源：您可以在创建端点时根据业务需求配置所需的资源池的计算规格，即资源池分配给当前端点的保障配额（Min）、最大配额（Max）。

图1介绍了AI DataLake端点的基本原理：

• 作业层只需对接端点，无需关心底层引擎/资源细节。
• 每个端点自动绑定对应的计算引擎（Aura、Ray、Spark、Flink）和计算资源（CPU、GPU、NPU）。
• 端点可以灵活配置计算资源规格，作业无感知，无需重新配置/启动作业。
  图1 AI DataLake端点原理图
  

Aura引擎的端点类型

Aura引擎支持配置两种类型的端点，分别适用于不同的使用场景和业务需求。您可以根据场景选择合适的端点类型：

• AuraJobV2

  AuraJobV2是新一代批量作业端点，在批量作业能力之上支持交互式分析。它开放REST API、Aura DataFrame SDK等多种连接方式，适用于交互式多模数据分析、即席查询、应用集成等场景。特点是兼容SQL语法、支持会话管理，支持异构算力与ARM类型，是数据科学家进行Python/DataFrame多模态开发的主要入口，支持算子级资源规格配置、亲和调度策略和性能观测。

• AuraJob

  AuraJob是Aura引擎的批量作业端点，面向生产环境的定时数据处理场景。它通过DataArts Studio可视化编排提交和管理批量作业，适用于定时任务、大规模数据处理、ETL数据抽取转换加载等需要周期性稳定运行的场景。特点是作业化管理、适合生产调度。

Aura引擎的资源使用模式

Aura引擎支持两种资源使用模式：预留资源和混合模式。用户可以根据业务负载特点选择合适的模式，优化成本、平衡资源性能。