Akka学习笔记（四）：监督和监控

supervision表示actors之间的关系。监督者分配任务给下属，因此需要处理反馈的错误。根据不同的错误，监督者supervisor可以做如下操作：

恢复下属，让下属继续运行，继续接收message。当且仅当下属还可以正常运行 重启下属，清空status。一般是第一条情况中，child的异常导致无法正常运行。 关闭自己，向上一级汇报错误 上面的操作都是递归的。

警告
supervision发送的是system messages，用的mailbox也和普通的messages不一样。

一个actor system在启动期间，会至少创建3个actors,如上图所示

/user：监护Actor 它是用户创建的Actor的parent，命名为“/user”。使用system.actorOf()方法创建的Actor都是它的children。这意味着只要这个Actor终止了，系统中所有常规的Actor都会被关掉。在Akka 2.1中，可以设置Supervisor Strategy，配置项为akka.actor.guardian-supervisor-strategy，对应类名为SupervisorStrategyConfigurator。倘若这个Guardian Actor扩大了失败，按照前面描述的Supervisor策略，它会使得root guardian终止该Actor，从而使得这个Actor下的所有子Actor都停止，即关掉了整个Actor系统。

/system：系统监护Actor 名为“/system”。主要是为了在常规Actor被终止时，做到按序的shut-down顺序。它可以监控User Guardian。可以管理Top-Level的System Actor采用一种策略，可以在除了ActorInitializationException与ActorKilledException之外的异常出现时，无限制地重启它。

/：Root监护Actor 由于每个真正的Actor都有一个supervisor，因此，root guardian的supervisor不是一个真正的Actor。

当出现如下三类失败错误时，就可能Restart Actor：

在收到特定消息时，发生系统错误，如编程的错误； 在处理消息时，因为一些外部资源的原因出现错误； Actor的内部状态出现问题 Restart的过程：

暂停Actor（这意味着在Restart期间，不会处理常规的消息，直到它被Resume）。同时，还会递归地暂停所有的children； 调用旧实例的preRestart钩子方法（默认情况下，会发送终止消息给所有children，调用children的postStop()）。 等待所有的children被终止（调用context.stop()）。这个过程是非阻塞的； 通过调用原来提供的工厂去创建新的Actor实例； 调用新实例的postRestart()方法（默认情况下，仍然要先调用preStart()）； 将restart的请求发送给执行第3步时没有被kill掉的children；然后遵循第2步递归地对children执行restart； resume actor。
对于Monitoring而言，能监控的状态就是alive到dead之间的迁移。因此，在Akka中，Lifecycle Monitoring指的就是DeathWatch。Monitoring主要指的是监控其他的Actor，而非Supervision层次中的Actor。

监控的Actor（Monitoring Actor）如果接受到一条Terminated消息，默认行为就会抛出DeathPactException。要侦听Terminated消息，可以调用ActorContext.watch(targetActorRef)；停止监听则调用ActorContext.unwatch(targetActorRef)。

如果Supervisor不能简单地重启其Children，又必须终止他们，例如在初始化Actor时出现了错误，就可以使用Monitoring。此时，可以侦听这些children，然后重新创建他们，或者安排时间重试。

使用Monitoring的另一种常见情形是，在缺乏外部资源，且该外部资源属于该Actor的一个children，Actor需要失败。如果第三方通过system.stop(child)或者发送PoisonPill去终止child，supervisor就会受到影响。

什么是模型监控？（Valohai） 型监控是指密切跟踪机器学习模型在生产中的性能的过程。 它使您的 AI 团队能够识别和消除各种问题，包括糟糕的质量预测和糟糕的技术性能。 因此，您的机器学习模型可提供最佳性能。 有效地监控模型对于使您的机器学习服务获得成功非常重要。 它使您能够在现实世界中产生重大影响。 但是在监控模型时应该跟踪什么？ 在这篇文章中，您将找到所有详细信息。
使用 Seldon Alibi 进行模型监控 虽然 Seldon 使在生产中部署和服务模型变得容易，但一旦部署，我们如何知道该模型是否在做正确的事情？ 训练期间的良好表现并不一定意味着在生产运行几个月后表现良好。 现实世界中发生的事情是我们无法解释的，例如：输入数据逐渐偏离训练数据，以及异常值和偏差。
MLOps：模型监控 使用模型度量堆栈进行模型监视，对于将已部署的ML模型的反馈回路放回模型构建阶段至关重要，这样ML模型可以在不同的场景下不断改进自己。
机器学习模型监控（Aporia）（下） 机器学习模型监控 什么是机器学习 (ML) 模型监控？ 机器学习监控是一组用于观察生产中的 ML 模型并确保其性能可靠性的技术。 ML模型通过观察数据集中的示例进行训练，并将代表模型在训练任务中表现的好坏的错误最小化。
机器学习模型监控（Aporia）（上） 机器学习模型监控 什么是机器学习 (ML) 模型监控？ 机器学习监控是一组用于观察生产中的 ML 模型并确保其性能可靠性的技术。 ML模型通过观察数据集中的示例进行训练，并将代表模型在训练任务中表现的好坏的错误最小化。