طراحی وضعیت‌های رونویسی: اجرای منقضی‌شده را از کارِ در حال انجام جدا کنید

وضعیت «در حال اجرا» بدون مهلت اعتبار می‌تواند خرابی worker را پنهان کند. با lease، وضعیت صریح «متوقف‌شده» و شناسهٔ هر تلاش، هم گیرکردن را آشکار کنید و هم نتیجهٔ worker قدیمی را نپذیرید.

برای اینکه گیرکردن کار رونویسی پنهان نماند، «در حال اجرا» را یک ادعای زمان‌دار بدانید، نه یک حقیقت دائمی. هر اجرا باید مهلت اعتبار و شمارهٔ تلاش داشته باشد؛ پس از انقضا، کار به وضعیت صریح «متوقف‌شده» برود و نتیجهٔ تلاش قدیمی پذیرفته نشود. سارا، توسعه‌دهندهٔ بک‌اند یک سرویس رونویسی فایل صوتی، با الگوی زیر می‌تواند قطع‌شدن worker را در وضعیت کار آشکار کند، بدون آنکه برای هر کار یک پردازش ناظر جدا بسازد.

قرارداد وضعیت: «در حال اجرا» فقط تا یک موعد معتبر است

پنج وضعیت کافی است: queued یعنی آمادهٔ دریافت؛ running یعنی یک تلاش تا lease_until مالک کار است؛ stalled یعنی مهلت آن تلاش گذشته و نتیجهٔ قابل‌قبولی ثبت نشده؛ succeeded یعنی متن نهایی ثبت شده؛ failed یعنی خطای نهایی و شناخته‌شده ثبت شده است. stalled را با failed یکی نکنید: در اولی از سرنوشت اجرا مطمئن نیستید، اما در دومی تصمیم نهایی دارید؛ مثلاً ورودی واقعاً فایل صوتی قابل‌خواندن نیست.

مسیر عادی queued → running → succeeded است. خطای نهایی، running → failed را می‌سازد؛ انقضای مهلت، running → stalled را. تلاش مجدد باید تصمیمی جدا و قابل‌مشاهده باشد: stalled → queued، سپس دریافت دوبارهٔ کار. در سامانهٔ واقعی این انتقال‌ها را همراه زمان، دلیل و شمارهٔ تلاش در تاریخچه ثبت کنید؛ صرفاً جایگزین‌کردن مقدار status برای پاسخ‌گویی به اینکه «چند بار و چرا متوقف شد؟» کافی نیست.

lease_until موعد پایان رونویسی نیست؛ موعد اعتبار مالکیت worker است. برای کار طولانی، worker پیش از رسیدن به این موعد، با heartbeat آن را تمدید می‌کند. تمدید نیز باید مشروط به running بودن، شمارهٔ تلاش فعلی و منقضی‌نشدن مهلت باشد؛ worker قدیمی حق احیای مالکیت منقضی‌شده را ندارد. مستند visibility timeout در SQS نیز همین مسئلهٔ محدودکردن زمان نامرئی‌ماندن پیام و تمدید آن برای پردازش طولانی را توضیح می‌دهد، هرچند قرارداد وضعیت این مقاله را خود برنامه پیاده می‌کند.

آزمایش عملی: worker قدیمی برمی‌گردد، اما نتیجه‌اش رد می‌شود

نمونهٔ زیر با کتابخانهٔ استاندارد Python اجرا می‌شود. ورودی، طول lease بر حسب ثانیه است و زمان را عمداً دستی جلو می‌بریم تا آزمایش به sleep یا سرعت سیستم وابسته نباشد. تلاش اول در زمان صفر شروع می‌شود؛ در لحظهٔ انقضا ناظر آن را stalled می‌کند. سپس تلاش دوم شروع می‌شود و بازگشت دیرهنگام تلاش اول نمی‌تواند متن نهایی را تغییر دهد. کد را در فایل job_demo.py ذخیره کنید.

```python
import json
import sqlite3
import sys

config = json.load(sys.stdin)
lease = config['lease_seconds']
if type(lease) is not int or lease <= 0:
raise ValueError('lease_seconds must be a positive integer')

db = sqlite3.connect(':memory:')
db.executescript('''
CREATE TABLE jobs (
id INTEGER PRIMARY KEY,
status TEXT NOT NULL CHECK (
status IN ('queued', 'running', 'stalled', 'succeeded', 'failed')
),
attempt INTEGER NOT NULL DEFAULT 0,
lease_until INTEGER,
transcript TEXT
);
INSERT INTO jobs(id, status) VALUES (1, 'queued');
''')

def status():
return db.execute('SELECT status FROM jobs WHERE id=1').fetchone()[0]

def claim(now):
with db:
changed = db.execute('''
UPDATE jobs
SET status='running', attempt=attempt+1, lease_until=?
WHERE id=1 AND status='queued'
''', (now + lease,)).rowcount
if changed != 1:
raise RuntimeError('job is not queued')
token = db.execute('SELECT attempt FROM jobs WHERE id=1').fetchone()[0]
return token

def sweep(now):
with db:
db.execute('''
UPDATE jobs SET status='stalled', lease_until=NULL
WHERE status='running' AND lease_until<=?
''', (now,))

def retry():
with db:
changed = db.execute('''
UPDATE jobs SET status='queued'
WHERE id=1 AND status='stalled'
''').rowcount
if changed != 1:
raise RuntimeError('job is not stalled')

def finish(token, now, text):
with db:
changed = db.execute('''
UPDATE jobs
SET status='succeeded', transcript=?, lease_until=NULL
WHERE id=1 AND status='running'
AND attempt=? AND lease_until>?
''', (text, token, now)).rowcount
return changed == 1

first = claim(0)
print('after_claim:', status())
sweep(lease)
print('after_expiry:', status())
retry()
second = claim(lease + 1)
print('old_result_accepted:', finish(first, lease + 2, 'old text'))
print('new_result_accepted:', finish(second, lease + 1, 'new text'))
print('final:', status())
```

فرمان زیر ورودی نمونه را می‌فرستد. خروجی مورد انتظار پس از آن آمده است. زمان یکسانِ شروع و پایان تلاش دوم عمدی است: این آزمایش، کیفیت یا مدت رونویسی را نمی‌سنجد؛ فقط قرارداد پذیرش نتیجه را بررسی می‌کند.

```bash
printf '%s\n' '{"lease_seconds":30}' | python3 job_demo.py
```

```other
after_claim: running
after_expiry: stalled
old_result_accepted: False
new_result_accepted: True
final: succeeded
```

نکتهٔ اصلی، شرط‌های همان UPDATE نهایی است: هم وضعیت، هم شمارهٔ تلاش و هم مهلت بررسی می‌شوند. خواندن وضعیت و سپس نوشتن بدون شرط، فاصله‌ای برای رقابت می‌سازد. rowcount مشخص می‌کند انتقال واقعاً انجام شده یا نه. در claim نیز افزایش شمارهٔ تلاش و خواندن آن داخل یک تراکنش است. مستندات sqlite3 و تراکنش‌های SQLite مرجع رفتار این بخش‌اند؛ این نمونه از RETURNING یا وابستگی بیرونی استفاده نمی‌کند.

ناظر و رابط کاربری باید همان قرارداد را نشان دهند

در سرویس واقعی، یک ناظر دوره‌ای معادل sweep را اجرا می‌کند. برای اینکه خرابی خود ناظر پنهان نماند، تعداد runningهایی را که lease_until آن‌ها گذشته و زمان آخرین اجرای موفق ناظر را هم پایش کنید. رابط کاربری می‌تواند حتی پیش از اجرای ناظر، چنین کاری را «مهلت اجرا گذشته؛ در انتظار بررسی» نمایش دهد، نه «در حال رونویسی». فاصلهٔ اجرای ناظر به تأخیر آشکارسازی اضافه می‌شود؛ بنابراین صرف داشتن ستون lease_until تضمین مشاهده‌پذیری نیست.

برای انتخاب مهلت، بده‌بستان مشخصی دارید: lease کوتاه، خرابی را زودتر آشکار می‌کند اما احتمال انقضای کاذب هنگام اختلال شبکه یا توقف worker بیشتر می‌شود؛ lease بلند، اجرای تکراری کاذب را کمتر می‌کند اما کار مرده دیرتر دیده می‌شود. به‌جای یک عدد ثابت برای همهٔ سرویس‌ها، مدت اختلال قابل‌تحمل و رفتار heartbeat را مبنا بگیرید. یک timeout کلی از زمان ثبت درخواست ساده‌تر است، ولی انتظار در صف را با خرابی اجرای فعال مخلوط می‌کند؛ برای همین مسئله، lease پس از دریافت کار دقیق‌تر است.

این روش چه چیزی را حل نمی‌کند؟

خطر مهم این است که heartbeat زنده بماند ولی خود رونویسی هیچ پیشرفتی نکند. در این حالت lease هرگز منقضی نمی‌شود و این روش به‌تنهایی انتخاب درستی برای تشخیص بن‌بست پردازشی نیست. اگر موتور رونویسی پیشرفت معنادار گزارش می‌کند، زمان آخرین پیشرفت را جدا نگه دارید؛ وگرنه سقف مدت اجرای مستقل تعریف کنید. heartbeat فقط نشانهٔ دسترس‌پذیری مالک است، نه اثبات تولید متن.

همچنین ردکردن نتیجهٔ قدیمی به معنای اجرای دقیقاً یک‌باره نیست: ممکن است هر دو worker هم‌زمان هزینهٔ پردازش تولید کنند. برای سرویس خارجی، فقط در صورت پشتیبانی واقعی آن از کلید idempotency به آن تکیه کنید؛ در غیر این صورت، پیش از retry وضعیت درخواست خارجی را بررسی کنید یا کار را برای بررسی انسانی نگه دارید. تلاش مجدد خودکار را نیز با سقف تعداد تلاش و تأخیر محدود کنید. در استقرار چندماشینه، زمان مرجع مشترک و ذخیره‌سازی پایدار لازم است؛ ساعت محلی مستقل هر worker می‌تواند تصمیم انقضا را ناسازگار کند.

منابع

Python documentation — sqlite3
https://docs.python.org/3/library/sqlite3.html

SQLite documentation — Transactions
https://www.sqlite.org/lang_transaction.html

Amazon SQS documentation — Visibility timeout
https://docs.aws.amazon.com/AWSSimpleQueueService/latest/SQSDeveloperGuide/sqs-visibility-timeout.html

No comments yet