e6c44f30dd
Каноничная документация всей системы: назначение, схема, 6 сервисов и их зоны ответственности, модель данных (все таблицы), Celery-очереди/задачи, ключевые потоки (проверка плагиата, поиск, библиография, наполнение корпуса), 4 уровня детекции, векторный бэкенд, инфра-топология (узлы/адреса), конфигурация, гейты качества, наблюдаемость/эксплуатация, безопасность, раскладка репозитория. README ссылается на ARCHITECTURE.md и DR-HA.md. Данные сверены с кодом (модели, TaskType/TaskStatus, источники, тарифы, маршрутизация задач). Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
191 lines
14 KiB
Markdown
191 lines
14 KiB
Markdown
# Архитектура — Академический помощник
|
||
|
||
Каноничное описание системы. Обновляется вместе с кодом; при расхождении верить
|
||
коду, а не этому файлу. Смежные документы: [DR-HA.md](DR-HA.md) (отказоустойчивость),
|
||
[../README.md](../README.md) (быстрый старт и команды).
|
||
|
||
## 1. Назначение
|
||
|
||
Веб-сервис для студентов: ввёл тему → система находит **открытые** академические
|
||
источники, делает изложения, форматирует список литературы по ГОСТ и проверяет текст
|
||
на плагиат. Всё **асинхронно**: пользователь отправляет задачу, закрывает браузер и
|
||
получает результат на email (или в реальном времени через WebSocket, если вкладка открыта).
|
||
|
||
## 2. Общая схема
|
||
|
||
```
|
||
┌────────────────────────────┐
|
||
│ Frontend (React SPA) │ CT 102 → nginx
|
||
│ Home/Search/Check/Cabinet/ │
|
||
│ Bibliography/Settings/Admin │
|
||
└──────────────┬──────────────┘
|
||
│ HTTPS (/api, /ws)
|
||
┌──────────────▼──────────────┐
|
||
│ API Gateway (FastAPI) │ 1.32:8000
|
||
│ JWT · rate-limit · WebSocket │
|
||
│ /metrics (Prometheus) │
|
||
└───┬───────────────────────┬──┘
|
||
│ publish (RabbitMQ) │ read/write
|
||
│ │
|
||
┌────────────────────┼───────────────────┐ │
|
||
▼ ▼ ▼ │
|
||
queue.index queue.gpu queue.gost
|
||
┌───────────┐ ┌────────────┐ ┌───────────┐
|
||
│ worker- │ │ worker-gpu │ │ worker- │
|
||
│ indexer │ │ FAISS/Qdr. │ │ gost │
|
||
│ L1 Winnow │ │ L3 семант. │ │ ГОСТ 7.1/ │
|
||
│ L2 MinHash│ │ L4 LLM │ │ 7.0.5 │
|
||
│ PDF/DOCX │ │ эмбеддинги │ │ │
|
||
└─────┬─────┘ └──────┬─────┘ └─────┬─────┘
|
||
│ │ │
|
||
└─────────┬─────────┴───────┬──────────┘
|
||
▼ ▼
|
||
queue.notify общие данные
|
||
┌────────────┐ ┌──────────────────────────────┐
|
||
│ worker- │ │ PostgreSQL 1.38 · Redis 1.35 │
|
||
│ notifier │ │ RabbitMQ .82 · MinIO 1.21 │
|
||
│ SMTP email │ │ Elasticsearch (local 1.32) │
|
||
└────────────┘ │ Ollama .163 (qwen2.5:7b) │
|
||
│ [opt] Qdrant · Prometheus/Graf.│
|
||
└──────────────────────────────┘
|
||
```
|
||
|
||
## 3. Сервисы
|
||
|
||
| Сервис | Технологии | Ответственность |
|
||
|--------|-----------|-----------------|
|
||
| **api** | FastAPI, SQLAlchemy async (asyncpg), Redis, Celery-producer | HTTP/WS API, auth (JWT), rate-limits, диспетч задач в очереди, админ-панель |
|
||
| **worker-indexer** | Celery, PyMuPDF, python-docx, xxhash, datasketch | Извлечение текста (PDF/DOCX/TXT), фрагментация, **L1 Winnowing**, **L2 MinHash LSH**, парсинг источников, обогащение full-text |
|
||
| **worker-gpu** | Celery, sentence-transformers, FAISS/Qdrant, httpx→Ollama | Эмбеддинги, **L3** семантический поиск, **L4** LLM-анализ парафраза, семантический поиск источников |
|
||
| **worker-gost** | Celery | Список литературы по **ГОСТ 7.1-2003 / Р 7.0.5-2008** |
|
||
| **worker-notifier** | Celery, smtplib | Email: письма-результаты и верификация (jze9mail.ru) |
|
||
| **frontend** | React 18, Vite, TS, Tailwind, Zustand, React Query | SPA: 11 публичных страниц + админ-панель. Собирается в статику, отдаётся nginx |
|
||
|
||
## 4. Модель данных (PostgreSQL)
|
||
|
||
- **users** — `email`, `hashed_password` (bcrypt), `name`, `is_verified`, `is_admin`,
|
||
`plan` (free/student/premium), `verification_token`.
|
||
- **tasks** — `id` (UUID), `public_id` (внешний), `user_id`, `type` (`TaskType`:
|
||
search/plagiarism/summarize/gost), `status` (`TaskStatus`:
|
||
queued→processing→done/failed), `celery_task_id`, `input_data` (JSON),
|
||
`result` (JSON), `error`, `queue_position`.
|
||
- **documents** — корпус источников: `source` (openalex/arxiv/cyberleninka/
|
||
user_submission), `ext_id`, `doi`, `title`, `authors` (JSON), `year`, `lang`,
|
||
`journal/volume/issue/pages`, `abstract`, `url`, `minio_key` (full-text в MinIO),
|
||
`faiss_id`.
|
||
- **fingerprints** — `doc_id`, `hash_value` (BIGINT, Winnowing), `position` — для L1.
|
||
- **usage_logs** — `user_id`, `action` — учёт лимитов по тарифу.
|
||
- **parse_sources** — задания парсеров (админка): тип, query, годы, лимит, статус.
|
||
- **staged_works** — пользовательские загрузки на модерацию перед добавлением в корпус.
|
||
- **admin_sessions** — одноразовые коды входа в админку.
|
||
|
||
## 5. Асинхронный конвейер (Celery + RabbitMQ)
|
||
|
||
Брокер — RabbitMQ, backend результатов — Redis. Маршрутизация по префиксу задачи:
|
||
|
||
| Очередь | Задачи | Воркер |
|
||
|---------|--------|--------|
|
||
| `queue.index` | `index.extract_and_check`, `index.add_document`, `index.run_parser`, `index.enrich_full_text` | worker-indexer |
|
||
| `queue.gpu` | `gpu.check_plagiarism`, `gpu.embed_documents`, `gpu.search_semantic` | worker-gpu |
|
||
| `queue.gost` | `gost.format_bibliography` | worker-gost |
|
||
| `queue.notify` | `notify.send_task_done`, `notify.send_verification` | worker-notifier |
|
||
|
||
Важно: API **коммитит задачу в БД до** `send_task` (иначе гонка dispatch-before-commit).
|
||
|
||
## 6. Ключевые потоки
|
||
|
||
**Проверка плагиата.** upload (api, файл→MinIO, Task) → `index.extract_and_check`
|
||
(извлечь текст → фрагментация → **L1 Winnowing** по fingerprints → **L2 MinHash LSH**
|
||
в Redis) → передаёт частичные совпадения в `gpu.check_plagiarism` (**L3** FAISS/Qdrant
|
||
семантика по фрагментам → для подозрительных **L4** Ollama-парафраз) →
|
||
`app.scoring.aggregate_results` (итоговый %) → результат в Task → `notify.send_task_done`.
|
||
|
||
**Поиск источников.** api → `gpu.search_semantic`: эмбеддинг запроса → векторный поиск
|
||
(FAISS/Qdrant) + Elasticsearch BM25 → объединение → результат.
|
||
|
||
**Список литературы.** api → `gost.format_bibliography`: документы из БД →
|
||
`app.bibliography.build_bibliography` (сортировка кириллица→латиница, нумерация,
|
||
формат 7.1/7.0.5) → результат.
|
||
|
||
**Наполнение корпуса.** админка/CLI → `index.run_parser` (OpenAlex/arXiv/КиберЛенинка,
|
||
фильтр `is_oa`) → `index.add_document` (дедуп по `ext_id`, fingerprints, MinHash,
|
||
эмбеддинг) → `index.enrich_full_text` (скачать OA-PDF → MinIO → переиндексация).
|
||
|
||
## 7. Детекция плагиата — 4 уровня
|
||
|
||
1. **L1 Winnowing** (`worker-indexer/app/algorithms/winnowing.py`) — точные/частичные
|
||
совпадения: k-граммы → xxHash → минимум в скользящем окне → fingerprint; Jaccard.
|
||
2. **L2 MinHash LSH** (`.../minhash.py`) — нечёткие совпадения: шинглы → MinHash (128
|
||
перм.) → LSH-индекс в **общем Redis** (префикс `antiplag_lsh`, upsert, graceful-фолбэк
|
||
в память).
|
||
3. **L3 семантика** (`worker-gpu`) — эмбеддинги `paraphrase-multilingual-mpnet-base-v2`
|
||
(768d, нормированы) → cosine в FAISS `IndexIDMap2(IndexFlatIP)` **или** Qdrant
|
||
(`VECTOR_BACKEND`); порог 0.75.
|
||
4. **L4 LLM-парафраз** — Ollama `qwen2.5:7b` оценивает пары «источник↔фрагмент» для
|
||
подозрительных из L3; порог confidence 0.7.
|
||
|
||
Итог: `scoring.aggregate_results` — доля уникальных помеченных позиций (не выше 100%).
|
||
|
||
## 8. Векторный бэкенд
|
||
|
||
Абстрагирован за `worker-gpu/app/vector_store.get_backend()`; `VECTOR_BACKEND=faiss`
|
||
(файловый синглтон, дефолт) или `qdrant` (сервис, снимает SPOF/конкурентную запись).
|
||
Переключение и миграция — см. README, раздел «Векторный бэкенд».
|
||
|
||
## 9. Инфраструктура и топология
|
||
|
||
| Компонент | Узел | Примечание |
|
||
|-----------|------|-----------|
|
||
| api + воркеры + Elasticsearch | 1.32 (app-хост) | docker-compose.prod.yml |
|
||
| Frontend (nginx, статика + TLS) | CT 102 | деплоится отдельно |
|
||
| PostgreSQL 16 | 1.38 (выделенный LXC) | UTF8; бэкап→MinIO |
|
||
| Redis 7 | 1.35 (выделенный LXC) | кэш, rate-limits, LSH |
|
||
| RabbitMQ | 192.168.20.82 | брокер Celery |
|
||
| MinIO (S3) | 1.21 | документы, full-text, бэкапы |
|
||
| Ollama (qwen2.5:7b) | 192.168.20.163 | GPU-сервер |
|
||
| Qdrant / Prometheus / Grafana | 1.32 | опционально, под compose-профилями |
|
||
|
||
**Деплой** — Gitea Actions по push в `main`: гейт `test` (ruff+mypy → 82 юнит-теста),
|
||
затем `deploy` (`needs: test`) через `scripts/deploy.sh` (умная пересборка изменённых
|
||
сервисов). PG/Redis не в compose — общая инфра берётся из `.env`.
|
||
|
||
## 10. Конфигурация
|
||
|
||
Всё через `.env` (пример — `.env.example`). Обязательно менять: `SECRET_KEY`,
|
||
`POSTGRES_PASSWORD`, `MINIO_SECRET_KEY`. Опции: `VECTOR_BACKEND`, `QDRANT_URL`,
|
||
`GRAFANA_ADMIN_PASSWORD`. `.env` не в git и исключён из деплой-rsync (не откатывается).
|
||
|
||
## 11. Качество и тесты
|
||
|
||
- **82 юнит-теста** (pytest, per-service) на чистую логику L1-L4/скоринг/фрагменты/
|
||
ГОСТ/библиография; инфра замокана или не нужна. Запуск: `make test`.
|
||
- **Гейты CI**: ruff (весь Python) + mypy (доменная логика) + тесты — блокируют деплой.
|
||
`make lint`. Хермет-раннеры в `python:3.11-slim`.
|
||
- Чистая доменная логика вынесена из Celery-задач в тестируемые модули
|
||
(`scoring.py`, `fragments.py`, `bibliography.py`). Подробнее — README «Тестирование».
|
||
|
||
## 12. Наблюдаемость и эксплуатация
|
||
|
||
- **Мониторинг**: `antiplag_monitor.py` (cron 5 мин, 7 сервисов, email-алерт при смене
|
||
статуса). Опционально — Prometheus+Grafana (профиль `observability`, метрики API + Flower).
|
||
- **Бэкапы**: `pg_dump→gzip→MinIO`, cron 03:00, ротация 14. Проверка восстановления —
|
||
`scripts/ops/pg_restore_verify.sh`. HA/DR — [DR-HA.md](DR-HA.md).
|
||
|
||
## 13. Безопасность
|
||
|
||
JWT-аутентификация, bcrypt-хэши паролей, email-верификация, отдельный вход в админку
|
||
(одноразовые коды, `admin_sessions`). Rate-limits по тарифу — в Redis. CORS — явные
|
||
origins. Пользователь видит только свои задачи (ownership проверяется, в т.ч. на WebSocket).
|
||
|
||
## 14. Раскладка репозитория
|
||
|
||
```
|
||
services/ api, worker-{gpu,indexer,notifier,gost}, frontend
|
||
scripts/ parsers/ (OpenAlex/arXiv/КиберЛенинка), ops/, deploy.sh,
|
||
run_tests.sh, run_lint.sh
|
||
infra/ nginx/, prometheus/, grafana/
|
||
docs/ ARCHITECTURE.md (этот файл), DR-HA.md
|
||
.gitea/workflows/ deploy.yml (гейт test → deploy)
|
||
ruff.toml · mypy.ini · Makefile · docker-compose.prod.yml
|
||
```
|