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)邊緣運行的機器學(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節(jié)，這些細節(jié)可能會以開發(fā)人員可能沒有意識到的方式影響實現(xiàn)的性能。

讓我們舉一個明顯的例子：計算斐波那契數(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，其性能級別差異很大。

可以使用名為跟蹤測試器的工具評估不同實現(xiàn)或算法的性能。這是Percepio的可視化跟蹤診斷工具，使嵌入式軟件開發(fā)人員能夠在運行時深入了解代碼，以便更輕松地調(diào)試系統(tǒng)級問題，并幫助他們改進軟件的設(shè)計和性能。

Tracealyzer 可以與開源 Eclipse 工具等傳統(tǒng)調(diào)試器并排使用，并通過系統(tǒng)級的幾個附加視圖補充詳細的調(diào)試器視圖。這有助于了解經(jīng)典調(diào)試器不足的實時問題。

結(jié)合 Linux 操作系統(tǒng)發(fā)行版中的 LTTng 開源跟蹤包，跟蹤測試程序可以顯示不同級別的性能。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)列的每個實現(xiàn)都在單個模塊中執(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

有單獨的Python源文件調(diào)用上面的兩個函數(shù)：

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()

以下命令在 LTTng 中捕獲跟蹤，然后可以在跟蹤測試器中對其進行檢查：

$> 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)的 Python 記錄器替換為稱為“我的記錄器”，允許跟蹤測試程序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，所需要的只是一個自定義間隔，用于標(biāo)記兩個函數(shù)的進入和退出。

雖然在上面的跟蹤視圖中可以看到巨大的性能差異，但 Tracealyzer 還可以提供更多有形的性能指標(biāo)。這可以通過轉(zhuǎn)到視圖并單擊“間隔”和“狀態(tài)機”來完成，并使用代碼中隨 logger.info（）調(diào)用一起插入的“開始”和“停止”字符串創(chuàng)建自定義間隔，這些字符串標(biāo)記候選函數(shù)的進入和退出。

區(qū)間圖顯示遞歸算法（首先執(zhí)行）和迭代算法（第二次執(zhí)行）之間存在 20 倍的差異。

在這個例子中，我們用每個算法只計算10個斐波那契數(shù)列。如果沒有 Tracealyzer，可能需要進行更多的迭代才能獲得一些有意義的見解，但由于兩個原因，這是有問題的。首先，當(dāng)將遞歸斐波那契算法運行到1000（甚至100）時，Python將簡單地坐在那里。這將是令人擔(dān)憂的，因為不清楚這種無響應(yīng)是由于實現(xiàn)中的錯誤還是其他原因造成的。在這種情況下，我們可能可以猜測為什么會發(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才能了解瓶頸的位置。

其次，如果嵌入式系統(tǒng)上運行多個應(yīng)用程序，則這些其他應(yīng)用程序可能會破壞目標(biāo)應(yīng)用程序，這也會增加算法或函數(shù)完成執(zhí)行的時間。沒有痕跡，就沒有簡單的方法來找出是否是這種情況。

相反，Python和跟蹤測試器中LTTng的組合突出了所選擇算法的基本特征才是問題所在。在開發(fā)更復(fù)雜的算法時，這是非常寶貴的。此示例實現(xiàn)可作為有關(guān)如何評估未來算法實現(xiàn)性能的參考。一般來說，在單獨的Python模塊中實現(xiàn)核心功能是良好的編程實踐，這也簡化了特定功能的跟蹤。

由于跟蹤開銷幾乎可以忽略不計，因此跟蹤點可以保留在應(yīng)用程序中，因為它在目標(biāo)嵌入式系統(tǒng)上甚至在生產(chǎn)中進行測試，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性能良好，只需進行最少的更改。

結(jié)論

使用跟蹤測試程序和 LTTng 在 Python 應(yīng)用程序中捕獲性能指標(biāo)，可以對算法的實現(xiàn)進行寶貴的分析。

這種方法的開銷最小，這意味著可以保留代碼的檢測，以便在目標(biāo)嵌入式系統(tǒng)上使用。這樣可以對目標(biāo)應(yīng)用程序進行更多監(jiān)視，并增強與其他應(yīng)用程序和操作系統(tǒng)的交互分析。例如，可能有另一個進程或線程搶占目標(biāo)應(yīng)用程序并影響性能。跟蹤測試程序和 LTTng 的組合可以識別此類異常的原因，這使開發(fā)人員能夠優(yōu)化實現(xiàn)以防止進一步的問題。

雖然斐波那契數(shù)列的示例實現(xiàn)相對無害，但它突出了Python語言的一個關(guān)鍵特征，可以為開發(fā)更復(fù)雜的實現(xiàn)提供信息。

此示例還顯示了在設(shè)計中使用單獨模塊的價值。使用 trace，開發(fā)人員可以在擴展到完整的系統(tǒng)實現(xiàn)之前，在這些模塊中測量和驗證關(guān)鍵核心功能的性能，而不會產(chǎn)生顯著的開銷。這有助于證明應(yīng)用程序在功能上是正確的，并且在目標(biāo)環(huán)境中進行最小的更改時性能良好。

審核編輯：郭婷