深度学习多线程部署—学习笔记

分布式、多线程、高并发

• 分布式是从物理资源的角度去将不同的机器组成一个整体对外服务，技术范围非常广且难度非常大，有了这个基础，高并发、高吞吐等系统很容易构建；
• 高并发是从业务角度去描述系统的能力，实现高并发的手段可以采用分布式，也可以采用诸如缓存、CDN等，当然也包括多线程；
• 多线程则聚焦于如何使用编程语言将CPU调度能力最大化。
  

分布式

分布式更多的一个概念，是为了解决单个物理服务器容量和性能瓶颈问题而采用的优化手段。

该领域需要解决的问题在不同的技术层面上，又包括：分布式文件系统、分布式缓存、分布式数据库、分布式计算等，一些名词Hadoop、zookeeper、MQ等都跟分布式有关。

从理念上讲，分布式的实现有两种形式：

• 水平扩展：当一台机器扛不住流量时，就通过添加机器的方式，将流量平分到所有服务器上，所有机器都可以提供相当的服务；
• 垂直拆分：前端有多种查询需求时，一台机器扛不住，可以将不同的需求分发到不同的机器上，比如A机器处理余票查询的请求，B机器处理支付的请求。

高并发

相对于分布式来讲，高并发在解决问题上会集中一些，其反应的是同时有多少量：比如在线直播服务，同时与上万人观看。

高并发可以通过分布式技术去解决，将并发流量分到不同的物理服务器上。

但除此之外，还可以有很多其他优化手段：比如使用缓存系统，将所有的吗，静态内容放到CDNA等；还可以使用多线程技术将一台服务器的服务器能量最大化。

在这个‘云’的时代，提高分布式系统并发能力的方式，方法论上主要有两种：垂直扩展（Scale Up）与水平扩展（Scale Out）。

• 垂直扩展单机处理能力。垂直扩展的方式又有两种：
  • 增强单机硬件性能，例如增加CPU核数如32核，升级更好的网卡如万兆，升级更好的硬盘如SSD，扩充硬盘容量如2T，扩充系统内存如128G。
  • 提升单机架构性能，例如使用Cache来减少I/O次数，使用异步来增加单服务吞吐量，使用无锁数据结构来减少响应时间。
• 水平扩展，只要增加服务器数量，就能线性扩充系统性能。虚拟化技术的出现，让水平扩展变得轻松且简单。现在的云主机几乎是虚拟机，而不是物理主机。这样的话，线性扩充也是分分钟的事，前提是有足够的物理主机支撑。

高并发的三个经典问题：

• 单台服务器最大并发，单台服务器最大并发问题，一般是指台服务器能够支持多少TCP并发连接。一种理论说法是受到端口号范围限制。操作系统上端口号1024以下是系统保留的，从1024-65535是用户使用的。由于每个TCP连接都要占一个端口号，所以我们最多可以有60000多个并发连接。但实际上单击并发连接数肯定要受到硬件资源（内存、网卡）、网络资源（宽带）的限制。特别是网卡处理数据的能力，它是最大并发的瓶颈。
• C10K并发连接问题是指单机1万个并发连接问题。如何突破单机性能局限，是高性能网络编程所必须要直面的问题。这些局限和问题最早被Dan Kegel进行归纳总结，首次成系统的分析和提出解决方案，后来这种普遍的网络现象和技术局限都被大家称为C10K问题。C10K问题本质上是操作系统问题。对于Web1.0/2.0时代的操作系统而言，传统的同步阻塞I/O模型都是一样的，处理的方式都是requests per second，并发10K和100K的区别关键在于CPU。创建的进程线程多了，数据拷贝频繁(缓存I/O、内核将数据拷贝到用户进程空间、阻塞)，进程/线程上下文切换消耗大，导致操作系统崩溃，这就是C10K问题的本质。

多线程

多线程是指从软件或者硬件上实现多个线程并发执行的技术，它更多的是解决CPU调度多个进程的问题，从而让这些进程看上去是同时执行（实际是交替运行的）。

在这几个概念中，多线程解决的问题是最明确的，手段也是比较单一的，基本上遇到的最大问题就是线程安全。

Flask

Flask默认是单进程、单线程阻塞的任务模式，在项目上线的时候可以通过nginx+gunicorn的方式部署flask任务，但是在开发的过程中如果想通过延迟的方式测试高并发，需要在app.run()中通过threaded和processes开启线程支持和进程支持。
但是多进程或多线程只能选择一个，不能同时开启。

• threaded 多线程支持，默认为False，即不开启多线程。
• processes 进程数量，默认为1.

app.run(host='0.0.0.0', port=4000, threaded=True, processes=1)

gunicorn 部署Flask项目

使用flask自带的服务器，可以完成web服务的启动。在生产环境中flask自带的服务器，无法满足性能需求，需要采用Gunicorn做wsgi容器，来部署flask程序。Gunicorn（绿色独角兽）是一个Python WSGI的HTTP服务器。从Ruby的独角兽（Unicorn）项目移植。该Gunicorn服务器与各种Web框架兼容，实现非常简单，轻量级的资源消耗。

WSGI（Web Server Gateway Interface）web服务器网关接口，是一种规范，它是web服务器和web应用程序之间的接口。它的作用就像是桥梁，连接在web服务器和web应用框架之间。

Gunicorn是基于pre-fork模型的，有一个中心管理进程（master process）用来管理worker进程集合。Master从不知道任何关于客户端的信息。所有的请求和响应处理都是由worker进程来处理的。

主程序是一个简单的循环，监听各种信号以及相应的响应进程。master管理着正在运行的worker集合，通过监听各种信号比如TTIN，TTOU和CHLD。TTIN和TTOU响应的增加和减少worker的数目。CHLD信号表明一个子进程已经结束了，在这种情况下master会自动的重启失败的worker。

gunicorn架构

gunicorn实现了一个Unix的预分发web的服务端。

• gunicorn 启动会被分发到一个主线程，然后产生的子线程就是对应的worker。
• 主线程的作用是确保worker数量与设置中定义的数量相同。如果任何一个worker挂掉，主线程都可以通过分发它自身而另行启动。
• worker的角色是处理HTTP请求。
• 预分发就意味着主线程在处理HTTP请求之前就创建好了worker。
• 操作系统的内核就负责处理worker进程之间的负载均衡。

为了提高使用gunicorn时的性能，需理解3种并发方式。

• worker模式（又成Unix进程模式）
  每个worker都是一个加载Python应用程序的unix进程。worker之间没有共享内存。这时候建议的workers数量是(2*CPU)+1。
  
• 多线程
  Gunicorn 还允许每个 worker 拥有多个线程。在这种场景下，Python 应用程序每个 worker 都会加载一次，同一个 worker 生成的每个线程共享相同的内存空间。
  
• 伪线程
  有一些 Python 库比如（gevent 和 Asyncio）可以在 Python 中启用多并发。那是基于协程实现的“伪线程”。Gunicrn 允许通过设置对应的 worker 类来使用这些异步 Python 库。
  

并发 vs. 并行

• 并发是指同时执行 2 个或更多任务，这可能意味着其中只有一个正在处理，而其他的处于暂停状态。
• 并行是指两个或多个任务正在同时执行。
  在 Python 中，线程和伪线程都是并发的一种方式，但并不是并行的。但是 workers 是一系列基于并发或者并行的方式。

安装gunicorn

pip3  install gunicorn --user

启动gunicorn

• 最简单方式，默认监听127.0.0.1:8000

gunicorn 入口文件名:app

• 处理高并发需要开多个进程和修改监听端口号

gunicorn -w 4 -b 0.0.0.0:8000 入口文件名:app

• 后台执行方式启动服务

  • 方法一

    nohup 启动服务的命令 &
    

    nohup gunicorn -w 4 -b 0.0.0.0:8000 入口文件名:app &
    

  • 方法二
    在gunicorn的配置文件中零daemon参数为True

    #gunicorn_config.py
    daemon = True
    reload =True #修改程序代码，不用每次都通过gunicorn进行重启
    

• 查看程序是否运行起来，如果运行起来会有两个进程

  fuser -v -n tcp 端口号
  

• 结束进程

  kill -9 进程号
  

gunicorn配置文件

# coding=utf-8
# /usr/bin/env python
"""
Author: buty
Date: 2019/9/17 下午1:36
Description: gunicorn config
"""


import gevent.monkey
gevent.monkey.patch_all()

import multiprocessing

#server socket
bind = '0.0.0.0:4000'

#worker
# workers = multiprocessing.cpu_count() * 2 + 1
workers = 4
threads = 1
# worker_class = 'gunicorn.workers.gevent.GeventWorker'
# worker_class = 'gthread'#gevent
worker_class = 'sync'


debug = True
# daemon = True
worker_connections = 100

#log
pidfile = 'log/gunicorn.pid'
accesslog = 'log/gunicorn_access.log'
# errorlog = 'log/gunicorn_error.log'
loglevel = 'debug'
access_log_format = '%(h)s %(l)s %(u)s "%(r)s" %(s)s %(b)s "%(f)s" "%(a)s"'

与logging自带log记录合并，减少文件数量。

# !/usr/bin/env python
# -*- coding: utf-8 -*-
#
# @Author: Buty
# @Date  : 11/17/21 9:09 AM
# @File  : config.py

# config.py
import os
import gevent.monkey
gevent.monkey.patch_all()

import multiprocessing

debug = True

bind = '0.0.0.0:8000'
pidfile = 'log/gunicorn.pid'
# accesslog = 'log/access.log'
# errorlog = 'log/error.log'
logconfig_dict = {
    'version':1,
    'disable_existing_loggers': False,
    'loggers':{
        "gunicorn.error": {
            "level": "WARNING",# 打日志的等级可以换的，下面的同理
            "handlers": ["error_file"], # 对应下面的键
            "propagate": 1,
            "qualname": "gunicorn.error"
        },

        "gunicorn.access": {
            "level": "DEBUG",
            "handlers": ["access_file"],
            "propagate": 0,
            "qualname": "gunicorn.access"
        }
    },
    'handlers':{
        "error_file": {
            "class": "logging.handlers.RotatingFileHandler",
            "maxBytes": 1024*1024*1024,# 打日志的大小，我这种写法是1个G
            "backupCount": 1,# 备份多少份，经过测试，最少也要写1，不然控制不住大小
            "formatter": "generic",# 对应下面的键
            # 'mode': 'w+',
            "filename": "./log/gunicorn.error.log"# 打日志的路径
        },
        "access_file": {
            "class": "logging.handlers.RotatingFileHandler",
            "maxBytes": 1024*1024*1024,
            "backupCount": 1,
            "formatter": "generic",
            "filename": "./log/gunicorn.access.log",
        }
    },
    'formatters':{
        "generic": {
            "format": "'[%(process)d] [%(asctime)s] %(levelname)s [%(filename)s:%(lineno)s] %(message)s'", # 打日志的格式
            "datefmt": "[%Y-%m-%d %H:%M:%S %z]",# 时间显示方法
            "class": "logging.Formatter"
        },
        "access": {
            "format": "'[%(process)d] [%(asctime)s] %(levelname)s [%(filename)s:%(lineno)s] %(message)s'",
            "class": "logging.Formatter"
        }
    }
}

capture_output = True
loglevel = 'warning'

daemon = True #后台启动
reload = True

#workers = multiprocessing.cpu_count()
workers = 1
worker_class = 'gevent'
x_forwarded_for_header = 'X-FORWARDED-FOR'

# 添加配置文件后的启动方式
gunicorn -c gun.py 入口文件名:app

列出所有进程

pstree -ap|grep gunicorn

最小的一级是worker进程，它们的上一级是gunicorn进程。使用kill -HUP [gunicorn 进程ID]可以杀掉进程。如果该进程还存在上一级进程，使用kill -9 [进程ID]将其彻底关闭。

导出测试结果报告

• 保存View Results Tree（查看结果树）结果
  
• 生成HTML报告
  
  
  
  
• 点击index.html即可查看结果
  

报告结构

报告总体分为Dashboard和Charts两部分

Dashboard

• Test and Report informations（测试和报告信息）：测试结果保存文件/测试开始时间/测试结束时间/展示过滤器。
  
• APDEX(Application Performance Index)：应用程序性能满意度的标准，范围在0-1之间，1表示达到所有用户均满意，可以在配置文件设置。
  
• Request Summary：请求的通过率（OK）与失败率（KO），百分比显示。
  
• Statistics：数据分析，基本将Summary Report和Aggregate Report的结果合并。
  
• Errors: 错误情况，依据不同的错误类型，将所有错误结果展示。
  
• Top 5 Errors by sampler：Top5错误信息采样。
  

Chart

Chart分为三大模块：时间维度信息（Over Time）、吞吐量（Throughput）、响应时间（Response Times）。

Over Time

• Response Times Over Time脚本运行时间内响应时间分布曲线
  
• Response Time Percentiles Over Time (successful responses) 脚本运行时间内成功响应的请求，响应时间百分位
  
• Active Threads Over Time 脚本运行时间内的活动线程分布
  
• Bytes Throughput Over Time脚本运行时间内的吞吐量，单位是byte
  
• Latencies Over Time脚本运行时间内毫秒级的响应延时
  
• Connect Time Over Time脚本运行时间内平均连接时间
  

Throughput

• Hits Per Second (excluding embedded resources) 每秒点击数曲线
  
• Codes Per Second (excluding embedded resources)每秒状态码分布曲线
  
• Transactions Per Second 每秒事物数曲线
  
• Total Transactions Per Second
  
• Response Time Vs Request 响应时间中值与每秒请求数关系曲线
  
• Latency Vs Request 延迟时间中值与每秒请求数关系曲线

Response Times

• Response Time Percentiles毫秒级百分位响应时间曲线
  
• Response Time Overview 响应时间概述柱状图
  
• Time Vs Threads 活动线程与平均响应时间变化曲线
  
• Response Time Distribution响应时间分布图
  
  参考资料
  [1] Flask 开启多进程或多线程
  [2] 使用gunicorn部署Flask项目
  [3] nginx+Gunicorn部署Flask项目
  [4] 部署flask
  [5] flask gunicorn gevent部署
  [6] gunicorn 实现 gevent 多线程
  [7] gunicorn + flask 异步方案采坑记录
  [8] Flask+Gunicorn+Nginx配置多个app
  [9] Gunicorn-配置详解
  [10] Gunicorn-配置详解
  [11] [译] 通过优化 Gunicorn 配置提高性能
  [12] A scalable Keras + deep learning REST API
  [13] JMeter：生成漂亮的多维度的HTML报告
  [14] jmeter5.1.1新玩物：Generate HTML Report（生成HTML报告）
  [15] 周杰伦新歌《说好不哭》上线，程序员哭了…
  [16] 基于Flask Web框架提供Pytorch 模型在线服务
  [17] Flask—学习笔记
  [18] 分布式、多线程、高并发都不懂，拿什么去跳槽