## Практический пример по лекции 3: от гонки к корректному эксперименту **Задача:** показать потерю обновлений, исправить её блокировкой, затем сравнить одинаковую CPU-нагрузку на стандартной и free-threaded сборках. Готовые файлы находятся в `материалы/lec3/`. **Шаг 1. Воспроизводим гонку.** Файл `race_demo.py` запускает четыре потока, каждый делает 2000 увеличений. В небезопасной версии `time.sleep(0)` повышает вероятность чередования, чтобы дефект проявлялся чаще. ```bash python3.14 материалы/lec3/race_demo.py ``` **Контрольный запуск** (CPython 3.12.15, macOS, ARM64; число в первой строке меняется от запуска к запуску): ```text Без Lock: 2041 из 8000 С Lock: 8000 из 8000 ``` Потерянные 5959 обновлений — не «погрешность», а нарушение инварианта. В другом запуске число будет другим, а вариант с `Lock` обязан всегда давать 8000. **Шаг 2. Проверяем исправление как гипотезу.** Недостаточно увидеть один правильный результат. Запустите тест несколько раз на обеих сборках. Для каждого запуска зафиксируйте ожидаемое и фактическое значение. Утверждение `assert safe == expected` в файле проверяет инвариант автоматически. Сформулируйте устно, почему критическая секция включает и чтение, и запись. Если вынести `old = self.value` за `with self.lock`, гонка останется, хотя в коде по-прежнему будет блокировка. **Шаг 3. Запускаем одинаковую нагрузку на разных сборках.** Функция `busy_sum` в `gil_demo.py` содержит только вычисления на чистом Python. Последовательная и поточная версии выполняют одинаковый объём работы и возвращают одинаковую сумму. ```python def busy_sum(n): total = 0 for i in range(n): total += i * i return total def threaded(pool, n, workers): return sum(pool.map(busy_sum, [n] * workers)) ``` Прогрев выполняется до включения таймера, а пул создаётся вне измеряемой функции: ```python def measure(function, *args): function(*args) start = time.perf_counter() result = function(*args) return result, time.perf_counter() - start ``` Выполните два запуска из папки `лекции/`: ```bash python3.14 материалы/lec3/gil_demo.py python3.14t материалы/lec3/gil_demo.py ``` Сначала проверьте строку `Результаты совпали: True`, затем анализируйте время. На стандартной сборке потоки не должны дать устойчивого ускорения чистого Python-цикла. На free-threaded сборке ускорение возможно, но его величину нельзя предсказать без замера: она зависит от нагрузки, оборудования и накладных расходов интерпретатора. **Шаг 4. Связываем корректность и производительность.** Увеличьте число workers до 1, 2, 4 и 8. Для каждого варианта вычислите `S(p) = T(1) / T(p)` по методике лекции 1. Отдельно отметьте, не изменился ли результат. Если ускорение появилось при неверном результате, это не ускорение решения задачи. > **Попробуйте сами:** замените `ThreadPoolExecutor` на `ProcessPoolExecutor`. Какие части программы придётся изменить из-за сериализации и запуска процессов? Не меняйте вычислительную функцию. ## Типичные ошибки (≈5 мин) | Симптом | Причина | Как исправить | |---|---|---| | Счётчик иногда меньше ожидаемого | Составное обновление не защищено | Включить весь цикл «чтение — изменение — запись» в критическую секцию | | Блокировка есть, а гонка осталась | Часть обращений происходит вне `with lock` | Защищать один инвариант одним согласованным протоколом | | Потоки не ускоряют чистый Python-цикл | Активен GIL | Проверить `sys._is_gil_enabled()`; выбрать процессы, подинтерпретаторы или free-threaded сборку | | На free-threaded сборке GIL неожиданно активен | Расширение без поддержки free threading включило его при импорте | Проверить предупреждения и совместимость пакетов | | Пул процессов падает или запускается рекурсивно | Нет защиты `__main__` либо функция не сериализуется | Запуск поместить под проверку; функцию вынести на верхний уровень модуля | | Программа зависла при завершении очереди | Не отправлены признаки остановки или пропущен `task_done()` | Исправить протокол завершения; вызывать `task_done()` в `finally` | | Два потока периодически ждут друг друга | Блокировки захватываются в разном порядке | Ввести единый порядок захвата и проверить циклы ожидания | | TSan «не видит» гонку в Python-файле | Инструмент анализирует C/C++, а не Python-байткод | Для Python использовать инварианты и стресс-тесты; TSan применять к native-части | **Задание** (≈60 минут). Проведите мини-исследование корректности и масштабируемости. 1. Запустите `race_demo.py` пять раз на стандартной сборке и пять раз на free-threaded сборке. Запишите фактический и ожидаемый результаты каждого прогона. 2. Исправьте небезопасный вариант через `Lock`, повторите эксперимент и сформулируйте инвариант, который теперь проверяется. 3. Выполните `gil_demo.py` для 1, 2, 4 и 8 workers на обеих сборках. Используйте не менее пяти повторов и медиану, фиксируйте окружение. 4. Постройте таблицу `T(p)`, `S(p)` и отметьте результат проверки корректности. Отдельно укажите, не включил ли сторонний пакет GIL. 5. Сделайте вывод: какая модель подходит для этой нагрузки и какие ограничения эксперимента не позволяют распространить вывод на все Python-программы. Генерировать обвязку замеров и графиков с помощью ИИ-ассистента можно. Приложите декларацию: что сгенерировано, какие проверки выполнены и что исправлено. **Считается выполненным, если:** - приведены версии обеих сборок, ОС, процессор и результат проверки активности GIL; - есть журнал всех прогонов счётчика и автоматическая проверка инварианта; - таблица производительности построена по медианам не менее пяти повторов; - результаты параллельной версии совпадают с последовательной; - вывод разделяет наблюдения, интерпретацию и ограничения эксперимента.