Назад | Перейти на главную страницу

Производительность параллельной записи SQLite WAL в системах UNIX

У меня две настройки: одна работает в Windows 10 (раздел ntfs), другая - в debian (раздел ext4). Исходный код R такой же. Основной процесс запускает 8 дочерних процессов (P-SOCKS) на 8 виртуальных ядрах, которые все запрашивают и записывают в одну и ту же базу данных sqlite с поддержкой WAL.

В Windows 10 я получаю 100% загрузку процессора, распределяемую по всем процессам. На debian я почти не получаю 25% загрузки процессора. Наблюдение за процессами в debian. Я считаю, что записи - это узкие места, поскольку я вижу, что только один процесс достигает 100% своего виртуального ядра за раз. (Остальные, вероятно, ждут, чтобы написать.)

Каждое соединение использует PRAGMA busy_timeout = 60000; и PRAGMA journal_mode = WAL;.

Я пытаюсь это отладить. я пытался PRAGMA synchronous = OFF; думая, что это может иметь какое-то отношение к fsync(), но я не вижу улучшения. Есть ли другие предложения по поводу того, что может вызвать низкую производительность в debian?

Редактировать: Кажется, что запись кэша включена на SCSI-диске (проверено с помощью sdparm) и настройка параметров монтирования ext4, таких как barrier=0 и data=writeback похоже, не имеют никакого эффекта.

Сравнительный анализ

Вот простой код для тестирования одновременных операций записи:

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())

Код просто читает и записывает большие двоичные объекты в базу данных. Во-первых, выполните несколько фиктивных прогонов и позвольте базе данных увеличиться до нескольких ГБ.

На моем ноутбуке с Windows 10 я получаю следующие результаты (база данных 6 ГБ):

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

Я четко вижу 1 ядро ​​на 100%, затем 2 ядра на 100%. Производительность почти в два раза выше, что показывает, что 2 параллельных процесса не блокируют друг друга.

На debian я получаю следующее:

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

Два vcore никогда не достигают максимума. Также нет улучшения производительности при использовании двух процессов - даже хуже, поскольку они, кажется, блокируют друг друга. И, наконец, debian использует лучшее (хотя и виртуализированное) оборудование.

Подтверждено на Ubuntu 18.04, не тестировалось в Windows.

Я упростил ваш пример и добавил код инструментария. Первый график показывает количество капель, записанных для каждого подпроцесса. На первом графике плато указывают на отсутствие активности на всех ядрах в течение примерно 0,2 секунды, а крутые подъемы - это периодическая запись по всем ядрам. Второй график показывает необработанные данные, наиболее полезные при использовании plotly, который не работает в ответе StackOverflow.

Включение gc() делает пробежки длиннее, но распределяет нагрузку более равномерно, второй график ниже.

Понятия не имею, что происходит. Можете ли вы повторить и поэкспериментировать с этой установкой? Буду признателен за отзывы здесь или, возможно, в системе отслеживания проблем RSQLite.

Базовый пробег, без gc()

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)

(plotly не работает на StackOverflow)

Создано 30.01.2020 пользователем пакет REPEX (v0.3.0)

Результаты с gc()