Mengoptimalkan aplikasi Go

Dalam tutorial ini, Anda akan men-deploy aplikasi Go yang sengaja tidak efisien yang dikonfigurasi untuk mengumpulkan data profil. Anda menggunakan antarmuka Profiler untuk melihat data profil dan mengidentifikasi potensi pengoptimalan. Kemudian, Anda akan memodifikasi aplikasi, men-deploy-nya, dan mengevaluasi efek modifikasi tersebut.

Sebelum memulai

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

3. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

4. Pada panel navigasi Google Cloud Console, pilih APIs & Services, klik Enable APIs and Services, lalu aktifkan Cloud Profiler API:

   Buka setelan Profiler API

5. Jika API diaktifkan ditampilkan, berarti API sudah diaktifkan. Jika belum, klik tombol Enable.

6. Untuk membuka Cloud Shell, di toolbar Konsol Google Cloud, klik Activate Cloud Shell:

   

   Setelah beberapa saat, sesi Cloud Shell akan terbuka di dalam konsol Google Cloud:

   

Contoh aplikasi

Tujuan utamanya adalah memaksimalkan jumlah kueri per detik yang dapat diproses oleh server. Tujuan sekundernya adalah mengurangi penggunaan memori dengan menghilangkan alokasi memori yang tidak perlu.

Server, yang menggunakan framework gRPC, menerima kata atau frasa, lalu menampilkan berapa kali kata atau frasa tersebut muncul dalam karya Shakespeare.

Jumlah rata-rata kueri per detik yang dapat ditangani server ditentukan dengan melakukan pengujian beban pada server. Untuk setiap putaran pengujian, simulator klien dipanggil dan diminta untuk mengeluarkan 20 kueri berurutan. Pada akhir satu putaran, jumlah kueri yang dikirim oleh simulator klien, waktu yang berlalu, dan jumlah rata-rata kueri per detik akan ditampilkan.

Kode server sengaja tidak efisien.

Menjalankan aplikasi contoh

Catatan: Waktu eksekusi aplikasi hanya cukup lama untuk mengumpulkan beberapa data profil. Dalam praktiknya, sebaiknya Anda memiliki minimal 10 profil sebelum menganalisis data profil.

Download dan jalankan aplikasi contoh:

1. Jalankan perintah berikut di Cloud Shell:

   git clone https://github.com/GoogleCloudPlatform/golang-samples.git
   cd golang-samples/profiler/shakesapp
   

2. Jalankan aplikasi dengan versi yang ditetapkan ke 1 dan jumlah putaran ditetapkan ke 15:

   go run . -version 1 -num_rounds 15
   

   Setelah satu atau dua menit, data profil akan ditampilkan. Data profil terlihat mirip dengan contoh berikut:

   

   Di screenshot, perhatikan bahwa Profile type disetel ke CPU time. Ini menunjukkan bahwa data penggunaan CPU ditampilkan dalam grafik flame.

   Contoh output yang dicetak di Cloud Shell ditampilkan di bawah ini:

   $ go run . -version 1 -num_rounds 15
   2020/08/27 17:27:34 Simulating client requests, round 1
   2020/08/27 17:27:34 Stackdriver Profiler Go Agent version: 20200618
   2020/08/27 17:27:34 profiler has started
   2020/08/27 17:27:34 creating a new profile via profiler service
   2020/08/27 17:27:51 Simulated 20 requests in 17.3s, rate of 1.156069 reqs / sec
   2020/08/27 17:27:51 Simulating client requests, round 2
   2020/08/27 17:28:10 Simulated 20 requests in 19.02s, rate of 1.051525 reqs / sec
   2020/08/27 17:28:10 Simulating client requests, round 3
   2020/08/27 17:28:29 Simulated 20 requests in 18.71s, rate of 1.068947 reqs / sec
   ...
   2020/08/27 17:44:32 Simulating client requests, round 14
   2020/08/27 17:46:04 Simulated 20 requests in 1m32.23s, rate of 0.216849 reqs / sec
   2020/08/27 17:46:04 Simulating client requests, round 15
   2020/08/27 17:47:52 Simulated 20 requests in 1m48.03s, rate of 0.185134 reqs / sec
   

   Output Cloud Shell menampilkan waktu yang telah berlalu untuk setiap iterasi dan tingkat permintaan rata-rata. Saat aplikasi dimulai, entri "Simulasi 20 permintaan dalam 17,3 detik, kecepatan 1,156069 permintaan / detik" menunjukkan bahwa server mengeksekusi sekitar 1 permintaan per detik. Di babak terakhir, entri "Simulasi 20 permintaan dalam 1m48.03 detik, kecepatan 0,185134 permintaan / detik" menunjukkan bahwa server mengeksekusi sekitar 1 permintaan setiap 5 detik.

Menggunakan profil waktu CPU untuk memaksimalkan kueri per detik

Salah satu pendekatan untuk memaksimalkan jumlah kueri per detik adalah dengan mengidentifikasi metode CPU intensif dan mengoptimalkan implementasinya. Di bagian ini, Anda akan menggunakan profil waktu CPU untuk mengidentifikasi metode intensif CPU di server.

Mengidentifikasi penggunaan waktu CPU

Frame root grafik flame mencantumkan total waktu CPU yang digunakan oleh aplikasi selama interval pengumpulan 10 detik:

Dalam contoh ini, layanan menggunakan 2.37 s. Jika sistem berjalan pada satu core, penggunaan waktu CPU selama 2,37 detik setara dengan 23,7% penggunaan dari inti tersebut. Untuk mengetahui informasi selengkapnya, lihat Jenis pembuatan profil yang tersedia.

Memodifikasi aplikasi

Langkah 1: Fungsi mana yang menghabiskan waktu CPU secara intensif?

Salah satu cara untuk mengidentifikasi kode yang mungkin perlu dioptimalkan adalah dengan melihat tabel fungsi dan mengidentifikasi fungsi greedy:

1. Untuk melihat tabel, klik Daftar fungsi fokus.
2. Urutkan tabel menurut Total. Kolom berlabel Total menunjukkan penggunaan waktu CPU untuk suatu fungsi dan turunannya.

   Dalam contoh ini, GetMatchCount adalah fungsi shakesapp/server.go pertama yang dicantumkan. Fungsi tersebut menggunakan 1,7 detik dari total waktu CPU, atau 72% dari total waktu CPU aplikasi. Fungsi ini dikenal untuk menangani permintaan gRPC.

   

   Grafik flame menunjukkan bahwa fungsi shakesapp/server.go GetMatchCount memanggil MatchString, yang kemudian menghabiskan sebagian besar waktunya untuk memanggil Compile:
   

   

Langkah 2: Bagaimana Anda dapat menggunakan apa yang telah Anda pelajari?

1. Andalkan keahlian bahasa Anda. MatchString adalah metode ekspresi reguler. Anda tahu bahwa pemrosesan ekspresi reguler sangat fleksibel, tetapi belum tentu merupakan solusi yang paling efisien untuk setiap masalah.
2. Andalkan keahlian pengajuan permohonan Anda. Klien menghasilkan kata atau frasa, dan server menelusuri frasa tersebut.
3. Telusuri implementasi metode shakesapp/server.go GetMatchCount untuk menemukan penggunaan MatchString, lalu tentukan apakah fungsi yang lebih sederhana dan efisien dapat menggantikan panggilan tersebut.

Langkah 3: Bagaimana cara mengubah permohonan?

Dalam file shakesapp/server.go, kode yang ada berisi satu panggilan ke MatchString:

    isMatch, err := regexp.MatchString(query, line)
    if err != nil {
           return resp, err
    }
    if isMatch {
           resp.MatchCount++
    }
    

Salah satu opsi adalah mengganti logika MatchString dengan logika setara yang menggunakan strings.Contains:

    if strings.Contains(line, query) {
            resp.MatchCount++
    }
    

Pastikan untuk menghapus pernyataan impor untuk paket regexp.

Mengevaluasi perubahan

Untuk mengevaluasi perubahan, lakukan hal berikut:

1. Jalankan aplikasi dengan versi aplikasi yang disetel ke 2:

   go run . -version 2 -num_rounds 40
   

   Bagian selanjutnya menunjukkan bahwa dengan pengoptimalan, waktu yang diperlukan untuk menjalankan satu putaran jauh lebih sedikit daripada aplikasi yang tidak dimodifikasi. Untuk memastikan aplikasi dieksekusi cukup lama untuk mengumpulkan dan mengupload profil, jumlah putaran akan ditingkatkan.

2. Tunggu hingga aplikasi selesai, lalu lihat data profil untuk versi aplikasi ini:

   • Klik SEKARANG untuk memuat data profil terbaru. Untuk informasi selengkapnya, lihat Rentang waktu.
   • Di menu Version, pilih 2.

Sebagai satu contoh, grafik flame adalah seperti yang ditunjukkan berikut ini:

Dalam gambar ini, frame root menunjukkan nilai 7.8 s. Akibat adanya perubahan fungsi pencocokan string, waktu CPU yang digunakan oleh aplikasi meningkat dari 2,37 detik menjadi 7,8 detik, atau aplikasi beralih dari menggunakan 23,7% core CPU menjadi 78% dari core CPU.

Lebar frame adalah ukuran proporsional dari penggunaan waktu CPU. Dalam contoh ini, lebar frame untuk GetMatchCount menunjukkan bahwa fungsi menggunakan sekitar 49% dari semua waktu CPU yang digunakan oleh aplikasi. Dalam grafik flame asli, frame yang sama ini berukuran sekitar 72% dari lebar grafik. Untuk melihat penggunaan waktu CPU yang tepat, Anda dapat menggunakan tooltip frame atau menggunakan daftar fungsi Fokus:

Output di Cloud Shell menunjukkan bahwa versi yang dimodifikasi menyelesaikan sekitar 5,8 permintaan per detik:

$ go run . -version 2 -num_rounds 40
2020/08/27 18:21:40 Simulating client requests, round 1
2020/08/27 18:21:40 Stackdriver Profiler Go Agent version: 20200618
2020/08/27 18:21:40 profiler has started
2020/08/27 18:21:40 creating a new profile via profiler service
2020/08/27 18:21:44 Simulated 20 requests in 3.67s, rate of 5.449591 reqs / sec
2020/08/27 18:21:44 Simulating client requests, round 2
2020/08/27 18:21:47 Simulated 20 requests in 3.72s, rate of 5.376344 reqs / sec
2020/08/27 18:21:47 Simulating client requests, round 3
2020/08/27 18:21:51 Simulated 20 requests in 3.58s, rate of 5.586592 reqs / sec
...
2020/08/27 18:23:51 Simulating client requests, round 39
2020/08/27 18:23:54 Simulated 20 requests in 3.46s, rate of 5.780347 reqs / sec
2020/08/27 18:23:54 Simulating client requests, round 40
2020/08/27 18:23:58 Simulated 20 requests in 3.4s, rate of 5.882353 reqs / sec

Perubahan kecil pada aplikasi ini memiliki dua efek yang berbeda:

• Jumlah permintaan per detik meningkat dari kurang dari 1 per detik menjadi 5,8 per detik.

• Waktu CPU per permintaan, yang dihitung dengan membagi pemakaian CPU dengan jumlah permintaan per detik, turun menjadi 13,4% dari 23,7%.

  Perlu diperhatikan bahwa waktu CPU per permintaan menurun, meskipun penggunaan waktu CPU meningkat dari 2,37 detik, yang sesuai dengan penggunaan 23,7% untuk satu core CPU menjadi 7,8 detik, atau 78% dari satu core CPU.

Menggunakan profil heap yang dialokasikan untuk meningkatkan penggunaan resource

Bagian ini mengilustrasikan cara menggunakan profil heap dan alokasikan heap untuk mengidentifikasi metode yang membutuhkan banyak alokasi dalam aplikasi:

• Profil heap menampilkan jumlah memori yang dialokasikan dalam heap program tepat pada saat profil dikumpulkan.

• Profil heap yang dialokasikan menampilkan jumlah total memori yang dialokasikan dalam heap program selama interval pengumpulan profil. Dengan membagi nilai ini dengan 10 detik, interval pengumpulan profil, Anda dapat menafsirkannya sebagai rasio alokasi.

Mengaktifkan pengumpulan profil heap

1. Jalankan aplikasi dengan versi aplikasi ditetapkan ke 3 dan aktifkan pengumpulan profil heap yang dialokasikan dan heap.

   go run . -version 3 -num_rounds 40 -heap -heap_alloc
   

2. Tunggu hingga aplikasi selesai, lalu lihat data profil untuk versi aplikasi ini:

   • Klik SEKARANG untuk memuat data profil terbaru.
   • Di menu Version, pilih 3.
   • Di menu Profiler type, pilih Alalokasi heap.

   Sebagai satu contoh, grafik flame adalah seperti yang ditunjukkan berikut ini:

   

Mengidentifikasi tingkat alokasi heap

Frame root menampilkan jumlah total heap yang dialokasikan selama 10 detik saat profil dikumpulkan, yang dirata-ratakan dari semua profil. Dalam contoh ini, frame root menunjukkan bahwa, rata-rata, memori telah dialokasikan sebesar 1,535 GiB.

Memodifikasi aplikasi

Langkah 1: Apakah meminimalkan laju alokasi heap perlu diminimalkan?

Penggunaan waktu pengumpulan fungsi sampah Sampah latar belakang Go, runtime.gcBgMarkWorker.*, dapat digunakan untuk menentukan apakah perlu mengoptimalkan aplikasi untuk mengurangi biaya pengumpulan sampah:

• Lewati pengoptimalan jika penggunaan waktu CPU kurang dari 5%.
• Mengoptimalkan jika penggunaan waktu CPU setidaknya 25%.

Untuk contoh ini, penggunaan waktu CPU pembersih sampah memori latar belakang adalah 16,8%. Nilai ini cukup tinggi sehingga shakesapp/server.go patut dicoba:

Langkah 2: Fungsi mana yang mengalokasikan banyak memori?

File shakesapp/server.go berisi dua fungsi yang dapat menjadi target pengoptimalan: GetMatchCount dan readFiles. Untuk menentukan tingkat alokasi memori untuk fungsi ini, setel Profile type ke Allocation heap, lalu gunakan Focus function list.

Dalam contoh ini, total alokasi heap untuk readFiles.func1 selama pengumpulan profil 10 detik, rata-rata, adalah 1,045 GiB atau 68% dari total memori yang dialokasikan. Alokasi self heap selama pengumpulan profil 10 detik adalah 255,4 MiB:

Dalam contoh ini, metode Go makeSlice mengalokasikan rata-rata 798, 7 MiB selama pengumpulan profil berdurasi 10 detik. Cara paling sederhana untuk mengurangi alokasi ini adalah dengan mengurangi panggilan ke makeSlice. Fungsi readFiles memanggil makeSlice melalui metode library.

Hasil analisis ini menunjukkan bahwa kecepatan alokasi heap dapat dikurangi dengan mengoptimalkan readFiles.

Langkah 3: Bagaimana cara mengubah permohonan?

Salah satu opsinya adalah mengubah aplikasi agar membaca file satu kali, lalu menggunakan kembali konten tersebut. Misalnya, Anda dapat membuat perubahan berikut:

1. Tentukan variabel global files untuk menyimpan hasil pembacaan file awal:

   var files []string

2. Ubah readFiles agar ditampilkan lebih awal saat files ditentukan:

          func readFiles(ctx context.Context, bucketName, prefix string) ([]string, error) {
                   
                   // return if defined
                   if files != nil {
                           return files, nil
                   }
                   
   
                   // Existing
                   type resp struct {
                           s   string
                           err error
                   }
                   ...
                   
                   // Save the result in the variable files
                   files = make([]string, len(paths))
                   for i := 0; i < len(paths); i++ {
                           r := <-resps r.err != { nil, r.err
                           }
                           files[i] = r.s
                   } files, if nil return return nil>
           }
           

Mengevaluasi perubahan

Untuk mengevaluasi perubahan, lakukan hal berikut:

1. Jalankan aplikasi dengan versi aplikasi yang disetel ke 4:

   go run . -version 4 -num_rounds 60 -heap -heap_alloc
   

2. Tunggu hingga aplikasi selesai, lalu lihat data profil untuk versi aplikasi ini:

   • Klik SEKARANG untuk memuat data profil terbaru.
   • Di menu Version, pilih 4.
   • Di menu Profiler type, pilih Alalokasi heap.

3. Untuk mengukur efek perubahan readFiles pada rasio alokasi heap, bandingkan profil heap yang dialokasikan untuk versi 4 dengan profil yang dikumpulkan untuk versi 3:

   

   Tooltip frame root menunjukkan bahwa dengan versi 4, jumlah rata-rata memori yang dialokasikan selama pengumpulan profil menurun sebesar 1,301 GiB, dibandingkan dengan versi 3. Tooltip untuk readFiles.func1 menunjukkan penurunan 1,045 GiB:

   

4. Untuk mengukur efek pada pembersihan sampah memori, konfigurasi perbandingan profil waktu CPU. Dalam screenshot berikut, filter diterapkan untuk menampilkan tumpukan untuk runtime.gcBgMarkWorker.* pembersih sampah memori Go. Screenshot menunjukkan bahwa penggunaan CPU untuk pembersihan sampah memori dikurangi menjadi 4,97% dari 16,8%.

   

5. Untuk menentukan apakah ada dampak perubahan pada jumlah permintaan per detik yang ditangani oleh aplikasi, lihat output di Cloud Shell. Dalam contoh ini, versi 4 menyelesaikan hingga 15 permintaan per detik, yang jauh lebih tinggi daripada 5,8 permintaan per detik versi 3:

   $ go run . -version 4 -num_rounds 60 -heap -heap_alloc
   2020/08/27 21:51:42 Simulating client requests, round 1
   2020/08/27 21:51:42 Stackdriver Profiler Go Agent version: 20200618
   2020/08/27 21:51:42 profiler has started
   2020/08/27 21:51:42 creating a new profile via profiler service
   2020/08/27 21:51:44 Simulated 20 requests in 1.47s, rate of 13.605442 reqs / sec
   2020/08/27 21:51:44 Simulating client requests, round 2
   2020/08/27 21:51:45 Simulated 20 requests in 1.3s, rate of 15.384615 reqs / sec
   2020/08/27 21:51:45 Simulating client requests, round 3
   2020/08/27 21:51:46 Simulated 20 requests in 1.31s, rate of 15.267176 reqs / sec
   ...
   

   Peningkatan kueri per detik yang ditayangkan oleh aplikasi mungkin disebabkan oleh lebih sedikit waktu yang dihabiskan untuk pembersihan sampah memori.

• Anda dapat lebih memahami efek modifikasi pada readFiles dengan melihat profil heap. Perbandingan profil heap untuk versi 4 dan versi 3 menunjukkan bahwa penggunaan heap turun menjadi 18,47 MiB dari 70.95 MiB:

  

Ringkasan

Dalam panduan memulai ini, waktu CPU dan profil heap yang dialokasikan digunakan untuk mengidentifikasi potensi pengoptimalan bagi aplikasi. Tujuannya adalah untuk memaksimalkan jumlah permintaan per detik dan menghilangkan alokasi yang tidak perlu.

• Dengan menggunakan profil waktu CPU, fungsi intensif CPU diidentifikasi. Setelah menerapkan perubahan sederhana, rasio permintaan server meningkat menjadi 5,8 per detik, naik dari sekitar 1 per detik.

• Dengan menggunakan profil heap yang dialokasikan, fungsi shakesapp/server.go readFiles diidentifikasi memiliki rasio alokasi yang tinggi. Setelah mengoptimalkan readFiles, rasio permintaan server meningkat menjadi 15 permintaan per detik dan jumlah rata-rata memori yang dialokasikan selama pengumpulan profil 10 detik berkurang sebesar 1,301 GiB.

Langkah selanjutnya

• Untuk mendapatkan informasi tentang cara profil dikumpulkan dan dikirim ke project Google Cloud Anda, lihat Pengumpulan profil.

• Baca sumber daya kami tentang DevOps dan jelajahi program penelitian kami.

Untuk mengetahui informasi tentang cara menjalankan agen Cloud Profiler, lihat:

• Aplikasi profiling Go
• Membuat profil aplikasi Java
• Membuat profil aplikasi Node.js
• Membuat profil aplikasi Python
• Membuat profil aplikasi yang berjalan di luar Google Cloud