生产级求解器架构：模块边界、执行管线与可观测性 / Production Solver Architecture with Module Boundaries, Pipelines, and Observability

📅 创建时间：2026-07-23
🏷️ 标签：#求解器架构 #数据模型 #线性代数后端 #可观测性
📚 前置知识：[[00-solver-engineering-overview]] [[../01-foundations-and-architecture/09-architecture]]
📚 相关知识：[[../marine-cae/02-cae-workflow]] [[/01-cpp/10-plugin-engineering/07-plugin-interface-design]]

1. 从算法原型到工业软件

教学程序常把所有步骤写在一个函数里：

text

读网格 → 组装矩阵 → 调求解器 → 写结果

工业软件需要长期支持不同单元、物理模型、硬件后端、文件格式和版本，因此必须把“变化原因不同”的部分分开：

网格拓扑不应依赖具体线性求解器；
物理模型不应直接调用某个厂商的稀疏矩阵 API；
非线性收敛控制不应散落在材料和单元代码中；
输出模块不应决定计算过程中的数据布局；
MPI、GPU 等执行细节应通过清晰边界进入，而不是形成全局条件分支。

2. 端到端执行管线

text

1. 解析输入和版本迁移
2. 单位、拓扑、材料和边界条件检查
3. 建立网格、区域、场变量和自由度
4. 构造邻接关系与稀疏模式
5. 初始化物理模型、求解器和并行环境
6. 进入载荷步、时间步或耦合步
7. 组装矩阵/右端项，或计算残差/算子作用
8. 求解线性或特征值子问题
9. 更新状态并检查非线性、时间和物理收敛
10. 输出监控量、结果和 Checkpoint
11. 完成统计、释放资源并生成运行摘要

这个流程应由高层 Driver 控制。底层 Kernel 只完成局部计算，不决定什么时候结束整个求解。

3. 核心数据模型

3.1 Mesh

负责节点、单元、Cell、Face、拓扑连接、边界区域、材料区域、分区、局部到全局编号以及 Ghost/Halo 实体。面积、体积、法向和 Jacobian 等几何量可以按生命周期缓存。

Mesh 不应该存储所有物理场的业务含义，否则每增加一个模型都要修改网格核心。

3.2 Field

Field 描述“某个量在哪里、多少分量、什么精度、由谁拥有”：

text

Field
├─ Location: Node / Element / Cell / Face / IntegrationPoint
├─ Components: 1 / 3 / 6 / ...
├─ ScalarType: float / double
├─ MemorySpace: Host / Device
├─ Ownership: Owned / Ghost
└─ Layout: AoS / SoA / AoSoA

温度、位移、速度、压力、应力和湍流变量可以使用同一套 Field 抽象，但具有不同语义和更新规则。

3.3 DofManager

结构、热、电磁等有限元问题需要 DofManager：

注册节点或单元上的自由度；
生成局部到全局方程编号；
处理固定、耦合和多点约束；
提供单元自由度列表；
为稀疏模式构造邻接；
在 MPI 中维护本地与全局编号映射。

编号策略会影响矩阵带宽、Fill-in、Cache 局部性和分区通信，因此它不是纯粹的“编号工具”。

4. 计算组件边界

4.1 PhysicsModel

定义材料本构、湍流模型、源项和边界通量。它应输入明确的局部状态，输出局部残差、切线矩阵或通量，不直接管理全局求解循环。

4.2 Operator

Operator 表示代数作用：

text

y = A(x)

它可以由显式稀疏矩阵实现，也可以是 Matrix-Free 算子。Krylov 求解器只依赖 Operator 接口，因而不必知道矩阵是否真正存储。

4.3 Assembler

Assembler 负责把局部贡献放入全局对象：

单元矩阵和载荷组装；
CFD 面通量对 owner/neighbour 的贡献；
边界条件修改；
原子操作、图着色或线程局部缓冲；
MPI 本地贡献与 Ghost 更新。

局部物理计算和全局写入策略应分开，便于在串行、OpenMP 和 GPU 后端之间切换。

4.4 LinearSolver 与 Preconditioner

典型接口需要区分不同生命周期：

text

analyzePattern(A)     稀疏结构分析，可跨多个载荷步复用
factorize/setup(A)    数值分解或预条件建立
solve(A, x, b)        求解
update(A)             系数变化后的增量更新
statistics()          迭代、残差、时间和内存

直接法尤其需要区分符号分解和数值分解；多右端项场景中复用因子可以带来巨大收益。

4.5 NonlinearDriver

负责载荷增量、Newton 或 Picard 外层迭代、状态提交与回滚、收敛准则、线搜索、阻尼和失败重试。

材料模型只提供试算状态与切线。是否提交塑性历史变量由 Driver 决定，否则失败迭代可能污染状态。

4.6 TimeIntegrator

时间积分器负责时间离散系数和历史状态，例如 Newmark、Generalized-α、BDF 和 Runge-Kutta。它不应直接实现具体物理残差，而是向物理模型提供当前时间、阶段和历史组合。

5. 高层伪代码

cpp

Model model = ModelReader::load(config.input);
ValidationReport report = validate(model, config);
report.requireNoFatalErrors();

Runtime runtime(config.parallel);
SolverContext ctx(model, runtime);
ctx.initializeFields();
ctx.buildTopology();
ctx.buildAlgebra();

for (Step step : ctx.stepController()) {
    ctx.beginStep(step);

    while (!ctx.convergence().finished()) {
        ctx.restoreTrialState();
        ctx.assembler().evaluate(ctx.state(), ctx.system());
        ctx.boundaries().apply(ctx.system());

        SolveReport linear = ctx.linearSolver().solve(
            ctx.system().op, ctx.increment(), ctx.system().rhs);

        ctx.updateState(linear);
        ctx.convergence().observe(ctx.metrics());
    }

    ctx.commitStep();
    ctx.resultWriter().writeIfScheduled(ctx);
    ctx.checkpoint().saveIfScheduled(ctx);
}

这里最重要的不是类名，而是状态生命周期、求解控制和局部计算之间存在明确边界。

6. 线性代数后端适配

工业求解器可能支持自研 CSR/BSR、Eigen、oneMKL、PETSc、Trilinos、Hypre、cuSPARSE、cuSOLVER、MUMPS 或 PARDISO。

推荐分层：

text

Physics / Discretization
        ↓
项目内部 Vector / Operator / Solver 接口
        ↓
Backend Adapter
        ↓
PETSc / Hypre / MKL / CUDA / 自研实现

适配层统一生命周期、错误码、精度、索引宽度和统计信息。不要把 PETSc 对象或 CUDA 指针扩散到所有业务模块，否则后端替换和单元测试都会很困难。

7. 插件和注册机制

适合插件化的变化点包括单元类型、积分规则、材料本构、边界条件、湍流与多相模型、线性求解器、预条件器、派生结果和输出格式。

注册信息至少应包括：

稳定名称和版本；
支持的空间维度与分析类型；
所需输入字段和生成字段；
参数 Schema、默认值和单位；
CPU/GPU、单精度/双精度等能力约束；
序列化和版本迁移规则。

加载时先验证兼容性，避免求解中途才发现字段缺失。

8. 状态、失败和恢复

8.1 状态分层

text

Committed State  上一个成功步，允许恢复
Trial State      当前非线性迭代的试算状态
Scratch State    Kernel 临时量，不进入 Checkpoint

接触、塑性、损伤和湍流模型都可能有历史状态。必须明确何时复制、何时提交、何时回滚。

8.2 失败分类

类型	例子	合理处理
输入错误	单位缺失、负材料参数	求解前停止并定位字段
数值失败	线性不收敛、矩阵奇异	输出矩阵和收敛证据，尝试受控降步
资源失败	内存不足、设备丢失	保存可恢复状态，报告资源需求
通信失败	Rank 异常、文件系统超时	一致终止或从 Checkpoint 重启
软件缺陷	NaN 来源不明、越界	保留最小复现和诊断快照

不能用无限重试掩盖输入或软件错误。失败处理必须确保所有 MPI Rank 对下一步动作达成一致。

9. Checkpoint 与可重复性

Checkpoint 应记录：

网格和分区标识；
当前步、时间和非线性迭代状态；
所有必须的历史场；
求解器配置、容差和版本；
随机种子以及必要的并行元数据。

并行浮点归约次序不同可能产生微小差异。对强非线性或混沌问题，应定义“允许的工程等价”，而不是要求每一位二进制完全相同。回归测试同时比较残差历史、关键工程量和守恒误差。

10. 可观测性

10.1 阶段级

网格读取、初始化、组装、线性求解、后处理、I/O；
每个载荷步或时间步的耗时；
峰值内存和显存。

10.2 算法级

外层与线性迭代次数；
残差和增量历史；
预条件建立和应用时间；
接触对、非正交修正次数等模型指标。

10.3 并行级

各线程或 Rank 的工作量；
Halo、集合通信和 Barrier 时间；
GPU Kernel、拷贝和同步时间；
各 Rank 输出量与 I/O 等待。

所有统计应能关联到同一个 Run ID、输入摘要和配置快照。高频 Kernel 中不要逐实体输出日志，应使用计数器、采样或聚合统计。

11. 配置快照与可追溯性

一次可复现实验至少保存：

text

输入模型哈希
求解器版本和 Git 提交
编译器与优化选项
依赖库、驱动和 MPI 版本
硬件拓扑
线程、Rank 和设备绑定
求解容差与停止准则
输出与 Checkpoint 策略

只保存图形界面截图不能复现实验。GUI 最终应生成稳定、可比较的配置表示。

12. 架构审查清单

[ ] 网格拓扑是否独立于具体物理模型？
[ ] 物理 Kernel 是否能在不启动完整求解器时测试？
[ ] 非线性 Driver 是否统一管理试算、提交和回滚？
[ ] 线性代数后端是否通过适配层隔离？
[ ] 是否区分符号结构、数值系数和右端项的生命周期？
[ ] CPU/GPU 之间是否存在隐式数据拷贝？
[ ] 并行归约和错误处理是否保持所有 Rank 一致？
[ ] Checkpoint 是否足以从失败点继续？
[ ] 日志是否能解释一次求解为什么慢或为什么不收敛？
[ ] 性能计时是否默认关闭昂贵的逐实体日志？

13. 架构诊断三问

观察到什么	说明什么	下一步检查什么
更换线性代数后端需要修改物理模块	后端类型已经泄漏到业务层	Operator、Vector 和 Adapter 边界
失败增量后材料状态异常	Trial/Committed 生命周期混乱	状态提交、回滚和深浅复制
Restart 后结果与连续运行差异大	Checkpoint 信息不完整或恢复顺序错误	历史场、时间积分状态和配置快照
无法解释某一步突然变慢	可观测性粒度不足	Step、方程、Rank 和 Kernel 统计
GPU 版本存在大量隐式拷贝	Field 所有权与 MemorySpace 不清晰	Host/Device 权威副本和同步点

14. 核心结论

生产级求解器的核心不是“调用一个线性求解库”，而是管理数据、状态、算法和硬件的生命周期。好的边界使物理模型、数值算法和执行后端能够独立演进；坏的边界会把一次局部优化变成全系统重写。

下一篇：[[02-structural-solver-design]]

生产级求解器架构：模块边界、执行管线与可观测性 / Production Solver Architecture with Module Boundaries, Pipelines, and Observability ​

1. 从算法原型到工业软件 ​

2. 端到端执行管线 ​

3. 核心数据模型 ​

3.1 Mesh ​

3.2 Field ​

3.3 DofManager ​

4. 计算组件边界 ​

4.1 PhysicsModel ​

4.2 Operator ​

4.3 Assembler ​

4.4 LinearSolver 与 Preconditioner ​

4.5 NonlinearDriver ​

4.6 TimeIntegrator ​

5. 高层伪代码 ​

6. 线性代数后端适配 ​

7. 插件和注册机制 ​

8. 状态、失败和恢复 ​

8.1 状态分层 ​

8.2 失败分类 ​

9. Checkpoint 与可重复性 ​

10. 可观测性 ​

10.1 阶段级 ​

10.2 算法级 ​

10.3 并行级 ​

11. 配置快照与可追溯性 ​

12. 架构审查清单 ​

13. 架构诊断三问 ​

14. 核心结论 ​

生产级求解器架构：模块边界、执行管线与可观测性 / Production Solver Architecture with Module Boundaries, Pipelines, and Observability

1. 从算法原型到工业软件

2. 端到端执行管线

3. 核心数据模型

3.1 Mesh

3.2 Field

3.3 DofManager

4. 计算组件边界

4.1 PhysicsModel

4.2 Operator

4.3 Assembler

4.4 LinearSolver 与 Preconditioner

4.5 NonlinearDriver

4.6 TimeIntegrator

5. 高层伪代码

6. 线性代数后端适配

7. 插件和注册机制

8. 状态、失败和恢复

8.1 状态分层

8.2 失败分类

9. Checkpoint 与可重复性

10. 可观测性

10.1 阶段级

10.2 算法级

10.3 并行级

11. 配置快照与可追溯性

12. 架构审查清单

13. 架构诊断三问

14. 核心结论