Files
pp_122-mko-lab2/README.md
T
2026-10-31 10:12:04 +03:00

9.2 KiB
Raw Blame History

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.

python3.14 материалы/lec3/race_demo.py

Контрольный запуск (CPython 3.12.15, macOS, ARM64; число в первой строке меняется от запуска к запуску):

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.

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:

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/:

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.