2つのセットアップがあります。1つはWindows10(ntfsパーティション)で実行され、もう1つはdebian(ext4パーティション)で実行されます。 Rのソースコードは同じです。メインプロセスは、8つの子プロセス(P-SOCKS)を開始します(8つのvcoreで)。これらはすべて、同じWAL対応のsqliteデータベースに対してクエリと書き込みを行います。
Windows 10では、100%のCPU負荷がすべてのプロセスに分散されます。 Debianでは、25%のCPU負荷はほとんど得られません。 Debianでプロセスを監視することは、一度に1つのプロセスだけがvcoreで100%に達するのを見るので、書き込みがボトルネックだと思います。 (他の人はおそらく書くのを待っています。)
各接続は_PRAGMA busy_timeout = 60000;
_と_PRAGMA journal_mode = WAL;
_を使用しています。
私はこれをデバッグしようとしています。 fsync()
と関係があるのではないかと考えて_PRAGMA synchronous = OFF;
_を試しましたが、改善は見られません。 Debianでパフォーマンスが低下する原因について他に何か提案はありますか?
編集:書き込みキャッシュはSCSIディスクで有効になっているようです(sdparm
でチェック)。_barrier=0
_や_data=writeback
_などのext4マウントオプションを調整しません。効果があるようです。
同時書き込みのベンチマークを行うための簡単なコードを次に示します。
_make.con <- function() {
con <<- DBI::dbConnect(RSQLite::SQLite(), dbname = 'db.sqlite')
DBI::dbExecute(con, 'PRAGMA journal_mode = WAL;')
DBI::dbExecute(con, 'PRAGMA busy_timeout = 60000;')
DBI::dbExecute(con, '
CREATE TABLE IF NOT EXISTS tmp (
id INTEGER NOT NULL,
blob BLOB NOT NULL,
PRIMARY KEY (id)
)')
}
make.con()
fn <- function(x) {
set.seed(x)
# read
random.blob.read <- RSQLite::dbGetQuery(con, 'SELECT blob FROM tmp WHERE id = (SELECT abs(random() % max(tm.id)) FROM tmp tm);')
# write
blob <- serialize(list(Rand = runif(1000)), connection = NULL, xdr = FALSE)
RSQLite::dbExecute(con, 'INSERT INTO tmp (blob) VALUES (:blob);', params = list('blob' = list(blob)))
}
n <- 30000L
parallel::setDefaultCluster(parallel::makeCluster(spec = 2L))
parallel::clusterExport(varlist = 'make.con')
invisible(parallel::clusterEvalQ(expr = {make.con()}))
microbenchmark::microbenchmark(
lapply(1:n, fn),
parallel::parLapplyLB(X = 1:n, fun = fn, chunk.size = 50L),
times = 2L
)
parallel::stopCluster(cl = parallel::getDefaultCluster())
_
コードは単にblobをデータベースに読み書きします。まず、いくつかのダミー実行を実行し、データベースを数GBに増やします。
私のWindows10ラップトップでは、次の結果が得られます(6GBデータベース)。
_Unit: seconds
expr min lq mean median uq max neval
lapply(1:n, fn) 26.02392 26.02392 26.54853 26.54853 27.07314 27.07314 2
parallel::parLapplyLB(X = 1:n, fun = fn, chunk.size = 50L) 15.73851 15.73851 16.44554 16.44554 17.15257 17.15257 2
_
100%で1つのvcoreがはっきりと表示され、次に100%で2つのvcoreが表示されます。パフォーマンスはほぼ2倍高速であり、2つの並行プロセスが互いにブロックしないことを示しています。
Debianで私はこれを手に入れます:
_Unit: seconds
expr min lq mean median uq max neval
lapply(1:n, fn) 39.96850 39.96850 40.14782 40.14782 40.32714 40.32714 2
parallel::parLapplyLB(X = 1:n, fun = fn, chunk.size = 50L) 43.34628 43.34628 44.85910 44.85910 46.37191 46.37191 2
_
2つのvcoreが最大になることはありません。また、2つのプロセスを使用してもパフォーマンスは向上しません。互いにブロックしているように見えるため、さらに悪化します。そして最後に、debianは(仮想化されているとはいえ)より優れたハードウェア上にあります。
Ubuntu 18.04で確認済みで、Windowsではテストされていません。
例を簡略化し、インストルメンテーションコードを追加しました。最初のプロットは、サブプロセスごとに書き込まれたBLOBの数を示しています。最初のプロットでは、プラトーはすべてのコアで約0.2秒間非アクティブであることを示しており、急激な上昇はすべてのコアでのバースト書き込みです。 2番目のプロットは生データを示しており、StackOverflowの回答では機能しないplotlyで最も役立ちます。
gc()
を有効にすると、実行時間が長くなりますが、負荷がより均等に分散されます(以下の2番目のプロット)。
何が起こっているのかわかりません。この設定を複製してさらに実験できますか?ここまたはおそらくRSQLite課題追跡システムでフィードバックをいただければ幸いです。
gc()
なしの基本的な実行_make.con <- function() {
options(digits.secs = 6)
con <<- DBI::dbConnect(RSQLite::SQLite(), dbname = "db.sqlite")
DBI::dbExecute(con, "PRAGMA journal_mode = WAL;")
DBI::dbExecute(con, "PRAGMA busy_timeout = 60000;")
DBI::dbExecute(con, "PRAGMA synchronous = OFF;")
DBI::dbExecute(con, "
CREATE TABLE IF NOT EXISTS tmp (
id INTEGER NOT NULL,
blob BLOB NOT NULL,
PRIMARY KEY (id)
)")
}
make.con()
#> [1] 0
blob <- serialize(list(Rand = runif(1000)), connection = NULL, xdr = FALSE)
fn <- function(x) {
time0 <- Sys.time()
rs <- DBI::dbSendQuery(con, "INSERT INTO tmp (blob) VALUES (:blob);")
time1 <- Sys.time()
DBI::dbBind(rs, params = list("blob" = list(blob)))
time2 <- Sys.time()
DBI::dbClearResult(rs)
time3 <- Sys.time()
# gc()
time4 <- Sys.time()
list(pid = unix::getpid(), time0 = time0, time1 = time1, time2 = time2, time3 = time3, time4 = time4)
}
n <- 1000L
parallel::setDefaultCluster(parallel::makeCluster(8L))
parallel::clusterExport(varlist = c("make.con", "blob"))
invisible(parallel::clusterEvalQ(expr = {
make.con()
}))
data <- parallel::parLapply(X = 1:n, fun = fn, chunk.size = 50L)
parallel::stopCluster(cl = parallel::getDefaultCluster())
library(tidyverse)
tbl <-
data %>%
transpose() %>%
map(unlist, recursive = FALSE) %>%
as_tibble() %>%
rowid_to_column() %>%
pivot_longer(-c(rowid, pid), names_to = "step", values_to = "time") %>%
mutate(time = as.POSIXct(time, Origin = "1970-01-01")) %>%
mutate(pid = factor(pid)) %>%
arrange(time)
tbl %>%
group_by(pid) %>%
mutate(cum = row_number()) %>%
ungroup() %>%
ggplot(aes(x = time, y = cum, color = pid)) +
geom_line()
_
_p <-
tbl %>%
ggplot(aes(x = time, y = factor(pid), group = 1)) +
geom_path() +
geom_point(aes(color = step))
p
_
_plotly::ggplotly(p)
_
(StackOverflowではプロットが機能しません)
reprexパッケージ (v0.3.0)によって2020-01-30に作成されました
gc()
の結果