พัฒนา Backend (เพิ่ม Logic การรัน Inference ใน Service Layer)

backend/core/settings.py

@@ -182,7 +182,19 @@ REST_FRAMEWORK = {
     ),
     'DEFAULT_PERMISSION_CLASSES': (
         'rest_framework.permissions.IsAuthenticated',
-    )
+    ),
+    'DEFAULT_RENDERER_CLASSES': (
+        # ใช้ DRF Renderer ที่รับประกันว่าตัวเลขขนาดใหญ่จะถูกแปลงเป็น String
+        # (นี่คือวิธีแก้ปัญหา BigInt Truncation ที่ถูกต้องที่สุด)
+        'rest_framework.renderers.JSONRenderer',
+        'rest_framework.renderers.BrowsableAPIRenderer',
+    ),
+
+    # เพิ่มการตั้งค่าเพื่อรองรับตัวเลขขนาดใหญ่ใน JSON
+    'COERCE_DECIMAL_TO_STRING': False, # ตั้งค่านี้ไว้เผื่อ
+
+    # ตัวเลขขนาดใหญ่ (เช่น BigIntegerField) ต้องถูก Serialize เป็น String
+    'DATETIME_FORMAT': "%Y-%m-%d %H:%M:%S",
 }
 
 # 3. ตั้งค่า DJOSER (เพื่อจัดการ Auth Endpoints)

backend/model_registry/services/ai_model_service.py

@@ -2,7 +2,9 @@ from ..repositories.ai_model_repository import AiModelRepository
 from ..models import AiModel
 from typing import Optional, List
 import requests
-from django.conf import settings # ใช้สำหรับ Configs ภายนอก/Secrets
+from django.conf import settings
+from django.core.cache import cache
+from django.core.files.uploadedfile import UploadedFile
 
 class ConnectionError(Exception):
     """Custom Exception สำหรับการเชื่อมต่อล้มเหลว"""
@@ -55,4 +57,77 @@ class AiModelService:
 
             model.status = new_status
             return self.repo.save(model)
-        return None
+        return None
+
+    # -----------------------------------------------
+    # Logic สำหรับ Proxy AI Inference (พร้อม Caching)
+    # -----------------------------------------------
+    def run_inference(self, pk: int, file_data: UploadedFile, user_id: int) -> dict:
+        model = self.repo.get_by_id(pk)
+        if not model:
+            raise ValueError(f"Model ID {pk} not found.")
+
+        if model.status != 'ACTIVE':
+            raise PermissionError(f"Model '{model.name}' is not currently ACTIVE.")
+
+        # --- Redis Caching Logic ---
+        # 1. สร้าง Cache Key จาก Model ID และ Hash/Metadata ของไฟล์
+        # การใช้ชื่อไฟล์และขนาดไฟล์เป็น hash อย่างง่ายก็เพียงพอ
+        # ใน Production ควรใช้ Hash (e.g., hashlib.sha256) ของเนื้อหาไฟล์ทั้งหมด
+        file_hash_key = f"{file_data.name}_{file_data.size}_{file_data.content_type}"
+        cache_key = f'inference_result:{pk}:{file_hash_key}'
+
+        # 2. ตรวจสอบ Cache
+        cached_result = cache.get(cache_key)
+        if cached_result:
+            print(f"Cache HIT for Model {pk} with file {file_data.name}")
+            # คืนผลลัพธ์จาก Redis ทันที
+            return cached_result
+
+        print(f"Cache MISS for Model {pk} - Proxying request...")
+
+        # --- Proxy Execution Logic ---
+
+        # 1. สร้าง Full Inference URL
+        full_url = model.full_inference_url()
+
+        # 2. จัดการ Headers (แนบ Internal Auth Key ถ้าจำเป็น)
+        headers = {}
+        if model.auth_required:
+            # ใช้ชื่อตัวแปรสภาพแวดล้อมที่คาดว่าจะถูกกำหนดไว้
+            internal_key = getattr(settings, 'AI_INTERNAL_AUTH_KEY', 'default_secret')
+            headers['X-Internal-Auth'] = internal_key
+
+        # 3. จัดการ Payload (ไฟล์)
+        # requests.post จะจัดการ Content-Type: multipart/form-data ให้อัตโนมัติ
+        files = {
+            'file': (file_data.name, file_data.file, file_data.content_type)
+        }
+
+        # 4. ส่ง Request ไปยัง AI Service ภายนอก
+        try:
+            response = requests.post(
+                full_url,
+                files=files,
+                headers=headers,
+                timeout=600  # 10 นาที
+            )
+            response.raise_for_status()
+
+            # 5. ประมวลผลผลลัพธ์
+            result = response.json()
+
+            # 6. บันทึกผลลัพธ์ลง Redis Cache
+            # ตั้ง TTL (Time To Live) 1 ชั่วโมง
+            cache.set(cache_key, result, timeout=3600)
+
+            # 7. บันทึก Audit Log (Logic ในอนาคต)
+            # self.repo.log_inference_request(pk, user_id, full_url, response.status_code)
+
+            return result
+
+        except requests.exceptions.HTTPError as e:
+            detail = f"AI Service returned error {response.status_code}: {response.text}"
+            raise ConnectionError(detail)
+        except requests.exceptions.RequestException as e:
+            raise ConnectionError(f"Network error or timeout connecting to {full_url}: {e}")

backend/model_registry/views/ai_model_viewset.py

@@ -10,6 +10,7 @@ from ..services.ai_model_service import AiModelService, ConnectionError
 
 from permissions.permission_classes import IsAdminOrManager
 from rest_framework.permissions import IsAuthenticated
+from rest_framework.parsers import MultiPartParser
 
 # Dependency Injection: สร้าง Instance ของ Repository และ Service
 # สำหรับโปรเจกต์ขนาดเล็กสามารถทำแบบนี้ได้
@@ -86,4 +87,68 @@ class AiModelRegistryViewSet(viewsets.ModelViewSet):
         updated_model = service.set_status(pk=int(pk), new_status=new_status)
         if updated_model:
             return Response(self.get_serializer(updated_model).data)
-        return Response({"detail": "Model not found."}, status=status.HTTP_404_NOT_FOUND)
+        return Response({"detail": "Model not found."}, status=status.HTTP_404_NOT_FOUND)
+
+    # -----------------------------------------------
+    # Custom Action: Run Inference (Proxy)
+    # -----------------------------------------------
+    @extend_schema(
+        tags=['3. MLOps Control & Service Orchestration'],
+        # ระบุ Request Body เป็นประเภทไฟล์สำหรับ MultiPart
+        request={
+            'multipart/form-data': {
+                'type': 'object',
+                'properties': {
+                    'file': {'type': 'string', 'format': 'binary', 'description': 'DICOM/NIfTI file for inference'},
+                },
+                'required': ['file']
+            }
+        },
+        # ระบุ Response Schema (ผลลัพธ์จาก AI Service)
+        responses={
+            200: {'description': 'Inference result', 'content': {'application/json': {'schema': {'type': 'object'}}}},
+            403: {'description': 'Model is not ACTIVE or insufficient permissions'},
+            404: {'description': 'Model not found'},
+            500: {'description': 'AI Service Connection/Internal Error'}
+        }
+    )
+    @action(
+        detail=True,
+        methods=['post'],
+        url_path='run-inference',
+        parser_classes=[MultiPartParser],
+        permission_classes=[IsAuthenticated]
+    )
+    def run_inference(self, request, pk=None):
+        """
+        Endpoint: POST /api/v1/models/{pk}/run-inference/
+        ทำหน้าที่รับไฟล์แล้ว Proxy ไปยัง AI Service ภายนอก
+        """
+        try:
+            model_id = int(pk)
+        except (TypeError, ValueError):
+            return Response({"detail": "Invalid Model ID format."}, status=status.HTTP_400_BAD_REQUEST)
+
+        # 1. ดึงไฟล์ (Frontend ส่งเป็น 'file')
+        file_data = request.FILES.get('file')
+        if not file_data:
+            return Response({"detail": "File 'file' is required."}, status=status.HTTP_400_BAD_REQUEST)
+
+        # 2. เรียก Service Layer
+        try:
+            result = service.run_inference(
+                pk=model_id,
+                file_data=file_data,
+                user_id=request.user.id # ส่ง User ID สำหรับ Audit Log
+            )
+            return Response(result, status=status.HTTP_200_OK)
+
+        except ValueError as e: # Model not found
+            return Response({"detail": str(e)}, status=status.HTTP_404_NOT_FOUND)
+        except PermissionError as e: # Model status INACTIVE
+            return Response({"detail": str(e)}, status=status.HTTP_403_FORBIDDEN)
+        except ConnectionError as e: # AI Service Failure
+            # HTTP_503_SERVICE_UNAVAILABLE หรือ HTTP_504_GATEWAY_TIMEOUT อาจเหมาะสมกว่า
+            return Response({"detail": str(e)}, status=status.HTTP_500_INTERNAL_SERVER_ERROR)
+        except Exception as e:
+            return Response({"detail": f"An unexpected error occurred: {e}"}, status=status.HTTP_500_INTERNAL_SERVER_ERROR)