Cuneiform语言
Cuneiform是用于大规模科学数据分析的开源工作流程语言[2][3]。 它是促进并行计算的静态类型的纯函数式编程语言。它的特征是有个全功能的外界函数接口,允许用户集成来自很多外部编程语言的软件。Cuneiform在组织层面上提供了一些设施,如条件分支和通用递归,使其具有图灵完备性。
![]() | |
编程范型 | 纯函数式, 数据流程 |
---|---|
设计者 | Jörgen Brandt |
发行时间 | 2013年 |
当前版本 |
|
型态系统 | 简单类型 |
实作语言 | Erlang |
操作系统 | Linux, Mac OS |
许可证 | Apache许可证 2.0 |
文件扩展名 | .cfl |
网站 | cuneiform-lang |
启发语言 | |
Swift (并行脚本语言) |
概述
编辑Cuneiform尝试拉近在科学工作流程系统如Apache Taverna、KNIME或Galaxy,与大规模数据分析程序模型如MapReduce或Pig Latin之间的间隙,同时提供函数式编程语言的通用性。
Cuneiform是用分布式Erlang实现的。如果运行在分布式模态下,它导出一个遵循POSIX的分布式文件系统,如Gluster或Ceph(用FUSE集成某个其他文件系统例如HDFS)。作为替代选择,Cuneiform脚本可以执行在HTCondor或Apache Hadoop顶上[4][5][6][7]。
Cuneiform受到了Peter Kelly的工作的影响,他提议函数式编程作为科学工作流程执行的模型[8]。 故而,Cuneiform不同于其他的基于数据流程编程的工作流程语言,如并行脚本语言Swift[9]。
扩展软件集成
编辑外部工具和库(比如R或Python库)是通过外界函数接口来集成的。通过它可以组合,比如允许通过snippet节点使用外部软件的KNIME,或为集成Java软件提供BeanShell服务的Apache Taverna。通过定义采用外界语言的任务,就可能使用一个外部工具或库的API。这种方式下,工具可以直接集成而不需要写包装器或重新实现工具[10]。
目前支持的外界编程语言有:
类型系统
编辑Cuneiform提供简单的、静态检查的类型系统[11]。虽然Cuneiform提供列表作为复合数据类型,它省略了传统的列表访问子(head
和tail
),以避免在访问空列表时,可能引起的运行时间错误的可能性。转而列表只能通过在其上map
或fold
,以全有或全无方式访问。此外,Cuneiform(在组织层面)省略了算术,这排除了除以零的可能性。省略任何的部份定义运算,允许保证运行时间错误只能在外界代码中引发。
基础数据类型
编辑Cuneiform提供的基础数据类型有布尔值、字符串和文件。这里的文件被用来以任意格式在外界函数之间交换数据。
记录和模式匹配
编辑Cuneiform提供记录(结构)作为复合数据类型。下面的例子展示定义一个变量r
,作为有两个字段a1
和a2
的记录,第一个是字符串,而第二个是布尔值:
let r : <a1 : Str, a2 : Bool> =
<a1 = "my string", a2 = true>;
记录可以要么通过投影(projection)要么通过模式匹配来访问。下面的例子从记录r
,提取两个字段a1
和a2
:
let a1 : Str = ( r|a1 );
let <a2 = a2 : Bool> = r;
列表和列表处理
编辑进一步的,Cuneiform提供列表作为复合数据类型。下面的例子展示定义一个变量xs
,作为一个有三个元素的一个文件:
let xs : [File] =
['a.txt', 'b.txt', 'c.txt' : File];
列表可以通过for
和fold
算子来处理。这里的for
算子可以接受多个列表,来逐个元素的处置列表(类似于Racket中的for/list
、Common Lisp中的mapcar
或Erlang中的zipwith
)。
下面的例子展示如何在一个单一的列表上map
,结果是一个文件列表:
for x <- xs do
process-one( arg1 = x )
: File
end;
下面的例子展示如何zip
两个列表,结果也是一个文件列表:
for x <- xs, y <- ys do
process-two( arg1 = x, arg2 = y )
: File
end;
最后,列表可以使用fold
算子来做聚集。下面的例子合计一个列表的元素:
fold acc = 0, x <- xs do
add( a = acc, b = x )
end;
并行执行
编辑Cuneiform是纯函数式语言,就是说它不支持可变引用。作为结论,它可以使用独立子项,将一个程序分解成可并行的各部份。Cuneiform调度器分布这些部份到做工节点。此外,Cuneiform采用传名调用求值策略,值只在它对计算结果有贡献时计算。最后,外界函数应用是记忆化的,用来加速包含以前推导结果的计算。
例如,下列Cuneiform程序允许f
和g
的应用平行的运行,而h
是有依赖的,它只在f
和g
二者完成的时候可以开始:
let output-of-f : File = f(); let output-of-g : File = g(); h( f = output-of-f, g = output-of-g );
下列Cuneiform程序通过将函数f
映射到一个三元素列表,创建了三个并行应用:
let xs : [File] = ['a.txt', 'b.txt', 'c.txt' : File]; for x <- xs do f( x = x ) : File end;
类似的,在记录r
的构造中,f
和g
的应用是独立的,因此可以并行运行:
let r : <a : File, b : File> =
<a = f(), b = g()>;
例子
编辑下面是一个hello-world脚本:
def greet( person : Str ) -> <out : Str>
in Bash *{
out="Hello $person"
}*
( greet( person = "world" )|out );
这个脚本定义了采用Bash的一个任务greet
,它对其字符串实际参数person
预加上"Hello "
。这个函数产生具有一个单一字符串字段的记录out
。应用greet
,绑定实际参数person
到字符串"world"
,产生记录<out = "Hello world">
。将这个记录投影为它的字段out
,求值出字符串"Hello world"
。
可以通过定义采用Bash的一个任务来集成命令行工具:
def samtoolsSort( bam : File ) -> <sorted : File>
in Bash *{
sorted=sorted.bam
samtools sort -m 2G $bam -o $sorted
}*
在这个例子中定义了任务samtoolsSort
。它调用了工具SAMtools,处置一个BAM格式的输入文件,并产生一个排序了也是BAM格式的输出文件。
发行历史
编辑版本 | 出现日期 | 实现语言 | 发布平台 | 外界语言 |
---|---|---|---|---|
1.0.0 | 2014年5月 | Java | Apache Hadoop | Bash, Common Lisp, GNU Octave, Perl, Python, R, Scala |
2.0.x | 2015年3月 | Java | HTCondor, Apache Hadoop | Bash, BeanShell, Common Lisp, MATLAB, GNU Octave, Perl, Python, R, Scala |
2.2.x | 2016年4月 | Erlang | HTCondor, Apache Hadoop | Bash, Perl, Python, R |
3.0.x | 2018年2月 | Erlang | 分布式Erlang | Bash, Erlang, Java, MATLAB, GNU Octave, Perl, Python, R, Racket |
在2016年4月,Cuneiform的实现语言从Java切换成了Erlang,并且在2018年2月,它的主要发布执行平台从Apache Hadoop变更为分布式Erlang。此外,从2015年到2018年,HTCondor曾被作为可替代执行平台来维护。
Cuneiform的外表语法修订过两次,这反映在主版本号上。
版本1
编辑在2014年5月发布的最初草案中,Cuneiform密切关联于Make,它构造解释器在执行期间要遍历的静态数据依赖图。与后来版本的主要区别,是缺乏条件、递归或静态类型检查。区分文件和字符串,是通过同波浪号~
形成一个单一引用的字符串。脚本的查询表达式,通过target
关键字来介入。Bash是缺省外界语言。函数应用必须使用apply
形式来完成,它接受task
作为第一个关键字实际参数。一年之后,这种外表语法被一种精简却类似的版本所替代。
下面的例子脚本从一个FTP服务器下载一个参考genome:
declare download-ref-genome; deftask download-fa( fa : ~path ~id ) *{ wget $path/$id.fa.gz gunzip $id.fa.gz mv $id.fa $fa }* ref-genome-path = ~'ftp://hgdownload.cse.ucsc.edu/goldenPath/hg19/chromosomes'; ref-genome-id = ~'chr22'; ref-genome = apply( task : download-fa path : ref-genome-path id : ref-genome-id ); target ref-genome;
版本2
编辑Cuneiform外表语法的第二个草案,首次发表于2015年3月,在Cuneiform的实现语言从Java到Erlang的迁移期间,持续使用了三年。求值不同于早期方式,解释器归约一个表达式,而非遍历一个静态图。在外表语法保持使用这段时期,解释器被形式化和简化,这导致了第一个Cuneiform的语义规定。语法特征是有了条件。但是,布尔值被编码为列表,再度利用空列表为布尔值false
,非空列表为布尔值true
。递归后来作为形式化的副产品而增加。但是,静态类型检查,只在后来的版本3中介入。
下列脚本解压一个压缩文件,并把它分解为大小均匀的划分:
deftask unzip( <out( File )> : zip( File ) ) in bash *{ unzip -d dir $zip out=`ls dir | awk '{print "dir/" $0}'` }* deftask split( <out( File )> : file( File ) ) in bash *{ split -l 1024 $file txt out=txt* }* sotu = "sotu/stateoftheunion1790-2014.txt.zip"; fileLst = split( file: unzip( zip: sotu ) ); fileLst;
版本3
编辑Cuneiform外表语法的当前版本,比较于早期的草案,是尝试拉近与主流函数式编程语言的间隙。它的特征是简单的静态检查的类型系统,并在列表之外介入记录作为第二个复合数据结构类型。布尔值独立为基础数据类型。
下列脚本解包一个文件,结果为一个文件列表:
def untar( tar : File ) -> <fileLst : [File]> in Bash *{ tar xf $tar fileLst=`tar tf $tar` }* let hg38Tar : File = 'hg38/hg38.tar'; let <fileLst = faLst : [File]> = untar( tar = hg38Tar ); faLst;
引用
编辑- ^ Release 3.0.5. 2022年5月27日 [2023年3月19日].
- ^ 存档副本. [2021-03-03]. (原始内容存档于2021-03-18).
- ^ Brandt, Jörgen; Bux, Marc N.; Leser, Ulf. Cuneiform: A functional language for large scale scientific data analysis (PDF). Proceedings of the Workshops of the EDBT/ICDT. 2015, 1330: 17–26 [2021-03-03]. (原始内容 (PDF)存档于2020-02-17).
- ^ Scalable Multi-Language Data Analysis on Beam: The Cuneiform Experience by Jörgen Brandt. Erlang Central. [28 October 2016]. (原始内容存档于2 October 2016).
- ^ Bux, Marc; Brandt, Jörgen; Lipka, Carsten; Hakimzadeh, Kamal; Dowling, Jim; Leser, Ulf. SAASFEE: scalable scientific workflow execution engine (PDF). Proceedings of the VLDB Endowment. 2015, 8 (12): 1892–1895 [2021-03-03]. doi:10.14778/2824032.2824094. (原始内容 (PDF)存档于2020-11-25).
- ^ Bessani, Alysson; Brandt, Jörgen; Bux, Marc; Cogo, Vinicius; Dimitrova, Lora; Dowling, Jim; Gholami, Ali; Hakimzadeh, Kamal; Hummel, Michael; Ismail, Mahmoud; Laure, Erwin; Leser, Ulf; Litton, Jan-Eric; Martinez, Roxanna; Niazi, Salman; Reichel, Jane; Zimmermann, Karin. Biobankcloud: a platform for the secure storage, sharing, and processing of large biomedical data sets (PDF). The First International Workshop on Data Management and Analytics for Medicine and Healthcare (DMAH 2015). 2015 [2021-03-03]. (原始内容 (PDF)存档于2018-10-01).
- ^ Scalable Multi-Language Data Analysis on Beam: The Cuneiform Experience. Erlang-factory.com. [28 October 2016]. (原始内容存档于2020-07-12).
- ^ Kelly, Peter M.; Coddington, Paul D.; Wendelborn, Andrew L. Lambda calculus as a workflow model. Concurrency and Computation: Practice and Experience. 2009, 21 (16): 1999–2017. doi:10.1002/cpe.1448. Barseghian, Derik; Altintas, Ilkay; Jones, Matthew B.; Crawl, Daniel; Potter, Nathan; Gallagher, James; Cornillon, Peter; Schildhauer, Mark; Borer, Elizabeth T.; Seabloom, Eric W. Workflows and extensions to the Kepler scientific workflow system to support environmental sensor data access and analysis (PDF). Ecological Informatics. 2010, 5 (1): 42–50 [2021-03-03]. doi:10.1016/j.ecoinf.2009.08.008. (原始内容 (PDF)存档于2022-02-25).
- ^ Di Tommaso, Paolo; Chatzou, Maria; Floden, Evan W; Barja, Pablo Prieto; Palumbo, Emilio; Notredame, Cedric. Nextflow enables reproducible computational workflows. Nature Biotechnology. 2017, 35 (4): 316–319. PMID 28398311. doi:10.1038/nbt.3820.
- ^ A Functional Workflow Language Implementation in Erlang (PDF). [28 October 2016]. (原始内容 (PDF)存档于2022-02-25).
- ^ Brandt, Jörgen; Reisig, Wolfgang; Leser, Ulf. Computation semantics of the functional scientific workflow language Cuneiform. Journal of Functional Programming. 2017, 27. S2CID 6128299. doi:10.1017/S0956796817000119.