使用Python提供高性能计算服务

前言

python具有丰富的库,并且很容易作为胶水语言很容易与c/c++进行交互集成。

因此为了适应快速变化的业务和兼顾计算效率,在上层采用python作为server提供service,在底层采用c/c++进行计算是一种对于算法开发者非常适宜的方式。

python flask库提供http接口以及相关demo页面,gunicorn提供多核并行能力,底层c++库提供单线程上的计算。

下面通过一个例子说明这种架构。代码地址:python_hps

准备

在实验开始之前,需要安装flask、gunicorn、apach bench tool等工具。
** 注:所有实验均在linux系统中进行。测试机器为4核虚拟机。 **

1
2
3
sudo pip install flask
sudo pip install gunicorn
sudo apt-get install apache2-utils

计算

计算部分模拟真实计算,因此计算量比较大,在我测试的虚拟机上单核单线程跑400ms左右。

c++核心计算部分,随便写的:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
API_DESC int foo(const int val)
{
float result = 0.0f;
for(int c=0;c<1000;c++)
{
for(int i=0;i<val;i++)
{
result += (i);
result += sqrt((float)(i*i));
result += pow((float)(i*i*i),0.1f);
}
}
return (int)result;
}

python wrapper,采用ctypes:

1
2
3
4
5
6
7
8
9
10
11
#python wrapper of libfoo
class FooWrapper:
def __init__(self):
cur_path = os.path.abspath(os.path.dirname(__file__))
self.module = ctypes.CDLL(os.path.join(cur_path,'./impl/libfoo.so'))

def foo(self,val):
self.module.foo.argtypes = (ctypes.c_int,)
self.module.foo.restype = ctypes.c_int
result = self.module.foo(val)
return result

flask http API:

1
2
3
4
5
6
7
8
9
10
@app.route('/api/foo',methods=['GET','POST'])
def handle_api_foo():
#get input
val = flask.request.json['val']
logging.info('[handle_api_foo] val: %d' % (val))
#do calc
result = fooWrapper.foo(val)
logging.info('[handle_api_foo] result: %d' % (result))
result = json.dumps({'result':result})
return result

单核服务

首先测试python单核服务,同时也是单线程服务(由于python GIL的存在,python多线程对于计算密集型任务几乎起反作用)。

  • 启动服务
    在script目录下执行run_single.sh,即

    1
    2
    3
    4
    5
    6
    7
    8
    9
    #!/bin/sh
    #python
    export PYTHONIOENCODING=utf-8
    #start server
    cd `pwd`/..
    echo "run single pocess server"
    python server.py
    cd -
    echo "server is started."
  • 测试服务
    另外打开一个终端,执行script目录下的bench.sh,即

    1
    2
    #!/bin/sh
    ab -T 'application/json' -p post.data -n 100 -c 10 http://127.0.0.1:4096/api/foo
  • 测试结果
    CPU运转
    cpu
    ab测试结果
    ab

可以看出CPU只用了1个核,负载是2.44 request/second。

多核

  • 启动服务
    在script目录下执行run_parallel.sh,即

    1
    2
    3
    4
    5
    6
    7
    8
    9
    #!/bin/sh
    #python
    export PYTHONIOENCODING=utf-8
    #start server
    cd `pwd`/..
    echo "run parallel pocess server"
    gunicorn -c gun.conf server:app
    cd -
    echo "server is started."

    其中gun.conf是一个python脚本,配置了gunicorn的一些参数,如下:

    1
    2
    3
    4
    5
    6
    7
    import multiprocessing
    bind = '0.0.0.0:4096'
    workers = max(multiprocessing.cpu_count()*2+1,1)
    backlog = 2048
    worker_class = "sync"
    debug = False
    proc_name = 'foo_server'
  • 测试服务
    另外打开一个终端,执行script目录下的bench.sh,即

    1
    2
    #!/bin/sh
    ab -T 'application/json' -p post.data -n 100 -c 10 http://127.0.0.1:4096/api/foo
  • 测试结果
    CPU运转
    cpu
    ab测试结果
    ab

可以看出CPU用满了4个核,负载是8.56 request/second。是单核的3.5倍左右,可以任务基本达成多核有效利用的的目的。

总结

使用flask、gunicorn基本可以搭建一个用于调试或者不苛责过多性能的服务,用于算法服务提供非常方便。本文提供该方案的一个简单示例,实际业务中可基于此进行修改完善。