☰

Desempenho de gravação simultânea SQLite WAL em sistemas UNIX

tag-icon • tag-icon debian performance ext4 sqlite concurrency
Desempenho de gravação simultânea SQLite WAL em sistemas UNIX

Eu tenho duas configurações: uma roda no Windows 10 (partição NTFS), a outra no Debian (partição ext4). O código-fonte R é o mesmo. O processo principal inicia 8 processos filhos (P-SOCKS) - em 8 vcores - que consultam e gravam no mesmo banco de dados sqlite habilitado para WAL.

No Windows 10 recebo 100% da carga da CPU distribuída por todos os processos. No debian, dificilmente consigo 25% de carga da CPU. Monitorando os processos no debian, acho que as gravações são os gargalos, pois vejo apenas um processo atingindo 100% em seu vcore por vez. (Os outros provavelmente estão esperando para escrever.)

Cada conexão está usando PRAGMA busy_timeout = 60000;e PRAGMA journal_mode = WAL;.

Estou tentando depurar isso. Tentei PRAGMA synchronous = OFF;pensar que poderia ter algo a ver com fsync(), mas não vejo nenhuma melhora. Alguma outra sugestão sobre o que pode estar causando o baixo desempenho no Debian?

Editar: Write-Cache parece estar habilitado no disco SCSI (marcado com sdparm) e ajustes nas opções de montagem ext4, como barrier=0e data=writebacknão parecem ter nenhum efeito.

avaliação comparativa

Aqui está um código simples para comparar gravações simultâneas:

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())

O código simplesmente lê e grava blobs no banco de dados. Primeiro, faça algumas execuções simuladas e permita que o banco de dados aumente para alguns GB.

No meu laptop Windows 10, obtenho estes resultados (banco de dados de 6 GB):

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

Vejo claramente 1 vcore a 100% e depois 2 vcores a 100%. O desempenho é quase duas vezes mais rápido, o que mostra que 2 processos simultâneos não se bloqueiam.

No debian eu entendo isso:

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

Os dois vcores nunca atingem o máximo. Além disso, não há melhoria de desempenho ao usar 2 processos – é ainda pior porque eles parecem bloquear um ao outro. E por último, o debian está em hardware melhor (embora virtualizado).

Responder1

Confirmado no Ubuntu 18.04, não testei no Windows.

Simplifiquei seu exemplo e adicionei código de instrumentação. O primeiro gráfico mostra o número de blobs escritos para cada subprocesso. No primeiro gráfico, os platôs indicam inatividade em todos os núcleos por cerca de 0,2 segundos, e os aumentos acentuados são gravações intermitentes em todos os núcleos. O segundo gráfico mostra os dados brutos, mais úteis com plotly que não funciona em uma resposta StackOverflow.

A ativação gc()torna as execuções mais longas, mas distribui a carga de maneira mais uniforme, segundo gráfico abaixo.

Eu não tenho ideia do que está acontecendo. Você pode replicar e experimentar ainda mais esta configuração? Eu apreciaria feedback aqui ou talvez no rastreador de problemas RSQLite.

Corrida básica, semgc()

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 não funciona no StackOverflow)

Criado em 30/01/2020 pelopacote reprex(v0.3.0)

Resultados comgc()

informação relacionada