Краткий план профилирования
- Определить цель и SLA (латентность, пропускная способность, энергопотребление).
- Собрать базовые метрики (baseline) в реальных/приближённых условиях.
- Локализовать узкие места с помощью low-overhead сборщиков и трассировки.
- Глубокий профиль (flamegraph, allocation profile, GPU kernels) для hotspot’ов.
- Проверка гипотез (изменение → измерение до/после).
- Ролл-аут и мониторинг регрессий.
Какие метрики собирать (общие)
- Производительность: latency (p50/p95/p99), throughput (запросы/сек).
- Загрузка CPU: загрузка по ядрам, user/sys, steal.
- Память: выделения/сек, heap size, RSS, swap, утечки.
- I/O: дисковые операции/sec, latency, bytes/sec.
- Сеть: RTT, пакеты/sec, открытые соединения.
- GC: время GC, частота сборок, паузы.
- Блокировки/конкуренция: количество контекстных переключений, time blocked.
- Ошибки/исключения, таймауты, retried операции.
- Энергопотребление и FPS (для мобильных/графики).
- Трассировка распределённых запросов (спаны, хронология).
Полезные формулы (для интерпретации)
- CPU util: $\text{CPU\_util}=\frac{\text{CPU time}}{\text{wall time}}\times 100\%$.
- Доля GC: $\text{GC\_fraction}=\frac{T_{GC}}{T_{wall}}$.
- Little’s Law (к очередям): $L=\lambda W$ (среднее число = arrival rate × среднее время пребывания).
- Загрузка сервера в модели M/M/s: $\rho =\frac{\lambda }{s\mu }$.
Инструменты и подходы по стэкам
Web backend (Java/Go/Python/Node/C++)
- Метрики + визуализация: Prometheus + Grafana, Datadog, New Relic, Elastic APM.
- Трассировка: OpenTelemetry/Jaeger/Zipkin.
- CPU/Flamegraphs: async-profiler (JVM), Java Flight Recorder (JFR), pprof (Go), 0x/Clinic (Node), py-spy / yappi / cProfile (Python), perf / flamegraph (Linux, C/C++).
- Память: VisualVM, jmap/jcmd (JVM), heaptrack/valgrind massif, memory_profiler/tracemalloc (Python).
- Системные: perf, eBPF (bcc, bpftrace), sysdig, strace (локально).
- Подход: сначала метрики (latency/throughput), затем трассировка запросов, затем flamegraph для CPU, allocation profile для памяти, lock contention через thread dumps и mutex profiling.
Мобильные приложения (Android / iOS / React Native)
- Инструменты:
- Android: Android Studio Profiler, Perfetto, Systrace, ART profiles, LeakCanary (утечки), Battery Historian.
- iOS: Xcode Instruments (Time Profiler, Allocations, Leaks, Energy, Core Animation FPS).
- Cross-platform: Firebase Performance, Sentry, Flipper, Charles/mitmproxy для сети.
- Метрики: FPS, frame jank, CPU per thread, main-thread latency, allocation rate, battery drain, network latency/throughput.
- Подход: профилировать в реальной нагрузке, следить за main-thread блокировками (UI jank), уменьшать частые аллокации на пути рендеринга.
Научные вычисления / High Performance Computing / GPU
- CPU-профайлеры: perf, Intel VTune, gprof, TAU.
- Vectorization / compiler reports: Intel Advisor, gcc/clang vectorization reports.
- Memory: valgrind massif, heaptrack, PAPI counters для cache misses, bandwidth.
- GPU: NVIDIA Nsight/NSYS, CUPTI, nvprof/NSight Compute (замер kernel time, occupancy, memory bandwidth, PCIe transfers).
- Параллелизм: профилировать OpenMP/MPI (mpiP, Score-P), анализ локальной нагрузки.
- Подход: использовать roofline model (производительность ограничена compute или memory). Сравнить фактическую пропускную способность с пиковыми: если память лимитирует — оптимизировать доступ, если compute — векторизовать/параллелить/перенести на GPU.
Как интерпретировать результаты и принимать решения
- Начните с вопросов: "С чем проблема — latency или throughput?", "Производительный узел CPU- или I/O-bound?".
- Правила-эвристики:
- Если $\text{CPU\_util}>80\%$ и latency растёт → искать CPU-hotspots (flamegraph) и оптимизировать горячие функции или масштабировать.
- Если $\text{GC\_fraction}$ большая (например $\gtrsim 10\%$) — уменьшать аллокации/оптимизировать объекты или перенастроить GC.
- Если высокий процент времени в syscalls/IO-wait → оптимизировать I/O (батчинг, кэширование, асинхронность) или увеличить пропускную способность диска/сети.
- Если много блокировок/конкуренции — профилировать mutexes/locks, уменьшать критические секции, использовать lock-free структуры или перераспределять работу.
- Для GPU: если occupancy низкая или память узкоузкая — переработать ядра/память, уменьшить транспорты PCIe.
- Фокусируйте оптимизацию на участках с большой inclusive time × частотой вызовов (hot × hot). Не оптимизируйте редко вызываемый код.
- Делайте микро-бенчмарки для подтверждения гипотез и измеряйте регрессии — изменения должны улучшать реальные SLA, не только синтетические метрики.
Практические советы
- В продакшене используйте low-overhead профайлеры (sampling, eBPF, async-profiler, py-spy). Не забывайте сохранять и анализировать трасы: flamegraphs, allocation flamegraphs, span traces.
- Сохраняйте baseline и делайте A/B или canary релизы для проверки влияния оптимизаций.
- Автоматизируйте сбор метрик/трасс и настройте alert'ы по SLA (p95, error rate, saturation).
- Документируйте изменения и измерения (до/после) — оптимизация без метрик бесполезна.
Короткая чек-листа при первом запуске профайлинга
1. Снять p50/p95/p99, throughput, error rate.
2. Посмотреть CPU/RAM/I/O и GC доли.
3. Включить трассировку запросов (OpenTelemetry) и искать «даунтрейсы».
4. Сгенерировать flamegraph для CPU и allocation profile для памяти.
5. Сформировать 1–2 гипотезы, изменить, измерить.
Если нужно — могу составить конкретный план и список команд/командных вызовов для вашего стека (укажите язык, среду и пример нагрузки).