Python 在嵌入式應(yīng)用程序開發(fā)中變得越來越普遍，特別是對于在網(wǎng)絡(luò)邊緣運(yùn)行的機(jī)器學(xué)習(xí)框架。但是，這種高級通用編程語言抽象出代碼中的許多細(xì)節(jié)，這些細(xì)節(jié)可能會(huì)以開發(fā)人員可能不知道的方式影響實(shí)現(xiàn)的性能。

讓我們舉一個(gè)明顯的例子：計(jì)算 斐波那契數(shù)列。至少有兩種不同的方法可以執(zhí)行此操作，遞歸算法和標(biāo)準(zhǔn)迭代算法，性能水平差異很大。

可以使用稱為 Tracealyzer 的工具評估不同實(shí)現(xiàn)或算法的性能。這是來自 Percepio 的可視化跟蹤診斷工具，可讓嵌入式軟件開發(fā)人員在運(yùn)行時(shí)深入了解代碼，以便更輕松地調(diào)試系統(tǒng)級問題，并幫助他們改進(jìn)軟件的設(shè)計(jì)和性能。

Tracealyzer 可以與傳統(tǒng)調(diào)試器（如開源 Eclipse 工具）并排使用，并通過系統(tǒng)級別的幾個(gè)附加視圖補(bǔ)充詳細(xì)的調(diào)試器視圖。這有助于理解經(jīng)典調(diào)試器不足以解決的實(shí)時(shí)問題。

結(jié)合Linux 操作系統(tǒng)發(fā)行版中的LTTng開源跟蹤包，Tracealyzer 可以展示不同級別的性能。這與處理器無關(guān)，并且是所選算法的結(jié)果。

對于評估，斐波那契數(shù)列的每個(gè)實(shí)現(xiàn)都在一個(gè)模塊中執(zhí)行：

def recur_fibo（n）：

if n 《=1 n：

return n

else：

return（recur_fibo（n-1） + recur_fibo（n-2））

def non_recur_fibo（n）：

result = ［］

a，b = 0，1

while a 《 n：

result.append（a）

a，b = b， a+b

return result

There are separate Python source files that call the two functions above：

import lttngust

import logging

import fib

def example（）：

logging.basicConfig（）

logger = logging.getLogger（‘my-logger’）

logger.info（‘Start’）

fib.recur_fibo（10）

logger.info（‘Stop’）

logger.info（‘Start’）

fib.non_recur_fibo（10）

logger.info（‘Stop’）

if __name__ == ‘__main__’：

example（）

The following commands capture a trace in LTTng that can then be examined in Tracealyzer：

$》 lttng create

$》 lttng enable-event --kernel sched_switch

$》 lttng enable-event --python my-logger

$》 lttng start

$》 python3 .py

$》 lttng stop

$》 lttng destroy

將標(biāo)準(zhǔn) Python 記錄器替換為名為“my-logger”的記錄器允許 Tracealyzer 在工具的跟蹤視圖中顯示事件。由于 Tracealyzer 在此特定示例中未捕獲任何應(yīng)用程序數(shù)據(jù)，因此無需將軟件配置為讀取數(shù)據(jù)值。相反，只需要一個(gè)自定義間隔來標(biāo)記兩個(gè)函數(shù)的進(jìn)入和退出。

雖然在上面的跟蹤視圖中可以看到顯著的性能差異，但 Tracealyzer 還可以提供更具體的性能指標(biāo)。這可以通過轉(zhuǎn)到視圖并單擊間隔和狀態(tài)機(jī)并使用代碼中的 logger.info（） 調(diào)用插入并標(biāo)記條目和候選函數(shù)的退出。

區(qū)間圖顯示遞歸算法（首先執(zhí)行）和迭代算法（其次執(zhí)行）之間存在 20 倍的差異。

在此示例中，我們僅使用每種算法計(jì)算 10 個(gè)斐波那契數(shù)。如果沒有 Tracealyzer，可能需要更多的迭代才能獲得一些有意義的見解，但這有兩個(gè)問題。首先，當(dāng)遞歸 Fibonacci 算法運(yùn)行到 1000（甚至 100）時(shí)，Python 會(huì)簡單地坐在那里。這將是令人擔(dān)憂的，因?yàn)椴磺宄@種不響應(yīng)是由于實(shí)現(xiàn)中的錯(cuò)誤還是其他原因。在這種情況下，我們可能會(huì)猜到為什么會(huì)發(fā)生這種情況，但是對于更復(fù)雜的問題，需要大量的日志記錄來了解瓶頸在哪里。

其次，如果在嵌入式系統(tǒng)上運(yùn)行多個(gè)應(yīng)用程序，這些其他應(yīng)用程序可能會(huì)破壞目標(biāo)應(yīng)用程序，這也會(huì)增加算法或函數(shù)完成執(zhí)行的時(shí)間。沒有蹤跡，就沒有簡單的方法來確定是否是這種情況。

相反，Python 中的 LTTng 和 Tracealyzer 的結(jié)合突出表明，問題在于所選算法的基本特征。這在開發(fā)更復(fù)雜的算法時(shí)非常寶貴。此示例實(shí)現(xiàn)可作為如何評估未來算法實(shí)現(xiàn)的性能的參考。在單獨(dú)的 Python 模塊中實(shí)現(xiàn)核心功能通常是一種很好的編程習(xí)慣，這也簡化了對特定功能的跟蹤。

由于跟蹤開銷幾乎可以忽略不計(jì)，跟蹤點(diǎn)可以保留在應(yīng)用程序中，因?yàn)樗谀繕?biāo)嵌入式系統(tǒng)甚至生產(chǎn)中進(jìn)行測試，從而允許 Tracealyzer 工具在生產(chǎn)代碼庫中生成性能指標(biāo)。這對于常規(guī)系統(tǒng)測試非常有用，并且允許使用相同的代碼庫來確保應(yīng)用程序在功能上正確且高性能，而只需進(jìn)行最少的更改。

結(jié)論

使用 Tracealyzer 和 LTTng 捕獲 Python 應(yīng)用程序中的性能指標(biāo)提供了對算法實(shí)現(xiàn)的寶貴分析。

這種方法的最小開銷意味著可以保留代碼的檢測以在目標(biāo)嵌入式系統(tǒng)上使用。這可以對目標(biāo)應(yīng)用程序進(jìn)行更多監(jiān)控，并促進(jìn)對與其他應(yīng)用程序和操作系統(tǒng)交互的分析。例如，可能有另一個(gè)進(jìn)程或線程搶占目標(biāo)應(yīng)用程序并影響性能。Tracealyzer 和 LTTng 的組合可以識別此類異常的原因，這允許開發(fā)人員改進(jìn)實(shí)現(xiàn)以防止進(jìn)一步的問題。

雖然斐波那契數(shù)列的示例實(shí)現(xiàn)相對無害，但它突出了 Python 語言的一個(gè)關(guān)鍵特征，可以為更復(fù)雜實(shí)現(xiàn)的開發(fā)提供信息。

此示例還顯示了在設(shè)計(jì)中使用單獨(dú)模塊的價(jià)值。使用跟蹤，開發(fā)人員可以在擴(kuò)展到完整的系統(tǒng)實(shí)現(xiàn)之前測量和驗(yàn)證這些模塊中關(guān)鍵核心功能的性能，而無需大量開銷。這有助于證明應(yīng)用程序在功能上正確且性能良好，且目標(biāo)環(huán)境中的更改最少。

審核編輯：郭婷