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

100 lines
9.2 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
## 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.