Ray On MLP 是火山引擎机器学习平台上全新推出的分布式计算引擎选项。利用这一强大的引擎，算法工程师可以轻松通过 python 和 Ray AI Runtime 进行大规模数据处理以及分布式模型训练。火山引擎机器学习平台(MLP)专注于为客户提供端到端的机器学习服务，以帮助客户构建可靠高效的机器学习流程。现在我们更进一步，将 Ray 框架(ray.io) 与 自定义任务模块完美整合，帮助您轻松创建和运行 Ray 作业，实现作业的灵活调度，按需执行。

在使用 Ray On MLP 时，您无需进行任何的代码更改或调整任何资源，只需要使用预置的 Ray 镜像或者使用携带包含 Ray Runtime 的自定义镜像，即可一键运行 Ray 作业。您亦可通过 MLP 中的开发机模块连接到您的 Ray 引擎，以进行相关的任务开发和调试。Ray On MLP 预览版现已在所有地区推出，这意味着您可以在全球范围内利用这一强大的分布式计算引擎，轻松应对不同地域和场景的分布式挑战。

1. 不支持任务诊断功能，但支持自动重试。
2. 实例保留时长功能中不支持倒计时显示。
3. Ray Dashboard 中 Metrics 功能的启用需要用户对接自己的 Grafana。

创建 Ray 集群

1. 点击「自定义任务」进入列表页面，点击「创建自定义任务」。

2. 依次进行任务配置，镜像需选择确保存在 Ray 相关的二进制文件，并符合版本要求（2.2.0~2.32.0）

3. 选择 Ray 框架，并选择对应的机型。可针对您 driver 所需要的运行环境填写 RuntimeEnv，以及根据作业需求挂载相应的存储。

   1. 备注： 当前版本不支持任务诊断与容错功能。

4. 创建完成后，您可在控制台查看对应的 Ray 任务，并查看所需要的信息

访问 Ray Dashboard

1. 在任务详情页面，选择「实时日志」，查看 Ray Dashboard 访问的 port 信息。

2. 切回「概览信息」页面，选择「Head 实例」，点击「WebIDE」，打开「New Terminal」，切换为「Ports」。

3. 输入刚才在日志页面查看的 port，此处示例为「8265」，点击「Local Address」即可访问「Ray Dashboard」。

访问日志/监控

1. 您可通过平台提供的「日志」入口查看完整日志以及相关监控。您可以基于上一步中的「Ray Dashboard」查看相关日志及监控信息。

容错能力

通过 Ray 创建的 worker 实例具备容错功能。即当 worker 遇到故障失败，也能够在分钟级恢复并重新加入集群。