配置装箱调度策略
在了解装箱调度前，先了解Ray中的两类计算单元：Task与Actor，以及它们所运行的Node。
| 概念 | 说明 |
|---|---|
| Task（任务） | Ray中最基本的无状态计算单元。将一段函数逻辑放到远程节点执行一次，执行完即结束，不保留状态。 |
| Actor（执行器） | 有状态、长期运行的执行单元。将类实例常驻在远程节点，多次调用共享状态（如加载模型、计数）。 |
| 节点（Node） | 提供计算资源的服务器，是Task、Actor运行的地方。 一个节点可承载多个Task和Actor，共享节点资源。 |
装箱调度（Binpack）所调度的，正是将Task和Actor这两类计算单元集中放置到资源使用率最高的可行节点上。
装箱调度（Binpack）功能介绍
装箱调度（Binpack）是一种优化算法，是Ray原生调度框架的扩展，装箱调度所调度的，正是将Task和Actor这两类计算单元。旨在将Task和Actor尽可能集中调度到资源使用率最高的可行节点上，从而提高集群资源利用率。
Ray Binpack装箱调度策略的核心目标是将任务和Actor集中调度到资源利用率最高的可行节点上，通过加权资源利用率打分，选择得分最高的节点承载新任务，从而最大化资源打包密度。
与Ray默认的Hybrid（混合）策略不同，Binpack策略不会将任务均匀分散到所有节点，而是优先填满已有节点，使空闲节点得以释放，降低成本。
装箱调度（Binpack）算法原理
在对节点打分时，Binpack会遍历节点上的各类资源（CPU、GPU、内存等），结合各资源维度的权重值，计算出节点的Binpack得分。节点Binpack得分的计算流程如下：
- 对每类资源依次计算利用率。
util_cpu = 1 -（available - normal_task）/ total，其中：
- util_cpu：CPU资源利用率，利用率越高表示节点越满。
- available：当前节点CPU可用量（逻辑资源账户余额）。
- normal_task：已分配但尚未实际运行的正常任务占用的CPU。
- total：当前节点CPU总量。
- 将利用率乘以对应权重，得到该资源的加权得分。
score_cpu = util_cpu × CPU.weight
即CPU权重值越高，该资源在打分时的占比越大；节点资源使用量越满，得分越高。GPU、Memory、ObjectStoreMemory等资源原理类似。
- 通过取所有资源加权得分的最大值作为节点最终得分。得分最高的节点承载新的Task或Actor。
Score = max(score_cpu, score_gpu, score_mem, score_obj_mem) Score = max(util_r × weight_r)
配置装箱调度策略
您可以在编写作业脚本时通过指定scheduling_strategy="BINPACK"来配置装箱调度策略，例如文本处理脚本“ray-job-code.py”，内容示例如下：
import ray
import random
import time
import sys
# 连接Ray集群
ray.init()
@ray.remote(scheduling_strategy="BINPACK")
def compute_points_in_circle(num_points: int) -> int:
inside = 0
for _ in range(num_points):
x, y = random.random(), random.random()
if x*x + y*y <= 1:
inside += 1
return inside
def estimate_pi(total_points: int, num_workers: int = 4) -> float:
start = time.time()
points_per_worker = total_points // num_workers
# 分布式执行任务
tasks = [compute_points_in_circle.remote(points_per_worker) for _ in range(num_workers)]
total_inside = sum(ray.get(tasks))
pi = 4.0 * total_inside / total_points
print(f"估算的圆周率: {pi:.6f}, 耗时: {time.time() - start:.2f}秒")
return pi
if __name__ == "__main__":
estimate_pi(total_points=int(sys.argv[1]), num_workers=1)
ray.shutdown() 关于提交作业的完整操作，请参见：
