documentation/pages/databox.md

# Компонент DataBox и работа с файлами

## DataBox

Компонент DataBox позволяет хранить данные, необходимые для работы модуля, в файловом хранилище S3.

Рекомендуемая структура расположения данных:

1. Образ Docker:
   1. Код проекта
   2. Системные библиотеки и прочие программные зависимости
   3. Постоянные файлы настроек
2. DataBox для данных:
   1. Предобученные веса моделей машинного обучения.
   2. Большие и постоянные наборы внешних данных (например, исторические погодные данные для модуля прогноза погоды).
3. DataBox для пользователей:
   1. Изначально - не хранится ничего.
   2. В ходе работы - загруженные пользователями входные данные и выданные модулем выходные данные работы ML-компонентов и пайплайнов.

Пример манифеста компонента DataBox

```yaml
apiVersion: "unified-platform.cs.hse.ru/v1"
kind: DataBox
metadata:
  name: userdata
  namespace: my-app
spec:
  s3DefaultStorage:
    capacity: 1G
```

В данном примере `userdata` - это имя компонента DataBox, по которому в дальнейшем смогут обращаться другие компоненты и пользователи. Например, в [ML-компонентах](./mlcmp.md) это имя используется в разделе `connectedBoxes`.

Поле `spec.s3DefaultStorage.capacity` определяет размер выделенного под DataBox дискового пространства. Можно не указывать `capacity`, тогда поле будет выглядеть так:

```yaml
spec:
  s3DefaultStorage: {}
```

Если `capacity` не указано, по умолчанию выделяется 1ГБ пространства.

## Пути

### Файловое хранилище

В файловом хранилище файлы хранятся со следующей структурой:

```
/my-app/userdata/users/gzhulikov/file_groups/my_file_group/file.txt
```

Здесь:

- `my-app` - имя приложения. Файлы разных приложений хранятся отдельно друг от друга, между ними нет пересечения
- `userdata` - имя компонента DataBox.
- `users` - системная часть пути, означающая "далее идут файлы, загруженные пользователями".
- `gzhulikov` - имя пользователя, который загрузил данные
- `file_groups` - системная часть пути
- `my_file_group` - созданная пользователем файловая группа (можно считать это "папкой" в хранилище S3)
- `file.txt` - файл в хранилище S3

### Компоненты модуля

Компоненты `MLComponent` и `ExperimentPipeline` взаимодействуют с данными из хранилища S3. Это взаимодействие контролируется разделом `connectedBoxes`, а также параметром `mountFrom` в переменных пайплайнов.

Структура пути в манифестах `MLComponent` и `ExperimentPipeline`:

```
users/developer/file_groups/my_file_group_file.txt
```

Здесь:

- Имя приложения заранее известно, так как во всех компонентах уже указано, какому приложению они принадлежат
- Имя компонента `DataBox` указывается отдельно от пути в соответствующем поле манифеста
- Остальные компоненты пути повторяют структуру файлового хранилища, начиная с системной части пути - `users`

Пример:


```yaml
  connectedBoxes:
    - name: model-box
      path: /home/myproject/data/weights/
      mountS3Box:
        subPath: users/developer/file_groups/models_pretrained
        s3BoxName: model-box
    - name: user-box
      copyS3Box:
        s3BoxName: userdata
```

Здесь подключаются два компонента DataBox:

1. Монтируется DataBox `model-box`
   - Путь `users/developer/file_groups/models_pretrained` в DataBox (в хранилище S3)
   - Путь `/home/myproject/data/weights/` в локальной файловой системе контейнера
   - Название компонента DataBox контролируется полем `s3BoxName`
   - Название смонтированного компонента для упоминания внутри манифеста контролируется полем `name`. В этом примере эти два названия совпадают
2. DataBox `userdata` подключается в режиме копирования
   - Название компонента DataBox контролируется полем `s3BoxName`
   - Название смонтированного компонента для упоминания внутри манифеста контролируется полем `name`. Если в этом манифесте нужно будет упомянуть этот DataBox, нужно будет использовать имя `user-box`, не `userdata`.