[Paper] MLOps 中的可重用性：利用 Ports and Adapters 构建面向海事领域的 Microservices Architecture

Source: arXiv - 2512.08657v1

概览

作者提出了 Ocean Guard，一个基于机器学习的系统，能够实时检测异常船舶行为。通过在多个微服务之间复用单一代码库，展示了 端口‑适配器（六边形）架构 如何降低 MLOps 流水线的复杂性，并加速可靠、可复用的机器学习组件的交付。

关键贡献

• 经验报告：将六边形架构应用于生产级海事异常检测平台的实践。
• 可复用的“端口”抽象：用于数据摄取、模型服务、监控和特征工程的抽象，可在不触及核心业务逻辑的情况下进行替换。
• 生成多个微服务的蓝图（例如数据收集器、推理引擎、告警分发器），均来源于同一共享代码仓库。
• 实用经验：在高可用、低延迟的海事环境中关于 CI/CD、模型版本管理和运行时监控的教训。
• 开源参考实现（或至少详细描述），供其他团队在自己的 MLES 项目中采用。

方法论

1. 领域建模 – 团队首先确定了 Ocean Guard 的核心业务能力（船舶跟踪、特征提取、异常评分、告警）。
2. 定义端口 – 为每项能力创建抽象接口（端口），隐藏底层技术细节（例如 Kafka 与 MQTT 的流媒体、TensorFlow 与 PyTorch 的推理）。
3. 实现适配器 – 为选定的技术栈（Docker 容器、Kubernetes、REST/gRPC 接口、云存储）构建具体适配器。
4. 微服务生成 – 通过单体仓库和构建时配置文件，将相同的领域逻辑打包成不同的服务，每个服务仅暴露其所需的端口。
5. MLOps 集成 – 自动化流水线（GitHub Actions / Jenkins）负责数据校验、模型训练、容器镜像构建以及蓝绿部署。
6. 评估 – 系统在实时海上交通数据流上部署数周，收集延迟、误报率和开发者周转时间等指标。

结果与发现

这些数字表明，六边形模式不仅提升了代码复用率，还在高实时性场景下带来了显著的性能和可靠性收益。

实际意义

• 更快的原型开发 – 团队只需将现有端口连接到新的模型适配器，即可上线新的 ML 驱动功能（例如新异常检测器），无需重写摄取或监控代码。
• 技术无关性 – 从一个流平台切换到另一个，或从 TensorFlow 切换到 ONNX，仅需更换适配器，降低供应商锁定风险。
• 简化 MLOps – 单一的 CI/CD 定义即可构建、测试并部署所有微服务，减轻 DevOps 工程师的运维负担。
• 可扩展架构 – 由于每个微服务相互隔离，可针对最吃力的组件（如推理）进行水平扩展（Kubernetes Pod、无服务器函数）。
• 领域可迁移性 – 虽然案例聚焦于海上交通，但相同模式同样适用于任何需要实时 ML 推理的领域（IoT、金融、自动驾驶车辆）。

希望现代化其 ML 流水线的开发者能够从这套经过生产验证的示例中获得结构化代码、最大复用、最小摩擦的具体参考。

局限性与未来工作

• 领域特定性 – 端口是为海事遥测量身定制的；若要迁移到完全不同的数据模态（如图像），可能需要大幅重构。
• 性能开销 – 额外的抽象层会带来轻微延迟；在超低延迟场景（< 100 ms）下可能需要进一步优化。
• 工具成熟度 – 作者使用了自研脚本生成适配器；社区层面的六边形脚手架生成工具仍在起步阶段。
• 未来方向 – 论文提出探索自动端口发现、与模型注册服务的更紧密集成，以及将该方法扩展到跨多个海事机构的联邦学习设置。

作者

• Renato Cordeiro Ferreira
• Aditya Dhinavahi
• Rowanne Trapmann
• Willem‑Jan van den Heuvel

论文信息

• arXiv ID: 2512.08657v1
• 分类: cs.SE, cs.AI, cs.LG
• 发布日期: 2025 年 12 月 9 日
• PDF: Download PDF