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)人員可能不知道的方式影響實現(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，遞歸算法和標準迭代算法，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)級別的幾個附加視圖補充詳細的調(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時問題。

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)列的每個實現(xiàn)都在一個模塊中執(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

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

將標準 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，只需要一個自定義間隔來標記兩個函數(shù)的進入和退出。

雖然在上面的跟蹤視圖中可以看到顯著的性能差異，但 Tracealyzer 還可以提供更具體的性能指標。這可以通過轉(zhuǎn)到視圖并單擊間隔和狀態(tài)機并使用代碼中的 logger.info（） 調(diào)用插入并標記條目和候選函數(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算 10 個斐波那契數(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，但這有兩個問題。首先，當遞歸 Fibonacci 算法運行到 1000（甚至 100）時，Python 會簡單地坐在那里。這將是令人擔(dān)憂的，因為不清楚這種不響應(yīng)是由于實現(xiàn)中的錯誤還是其他原因。在這種情況下，我們可能會猜到為什么會發(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來了解瓶頸在哪里。

其次，如果在嵌入式系統(tǒng)上運行多個應(yīng)用程序，這些其他應(yīng)用程序可能會破壞目標應(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)雜的算法時非常寶貴。此示例實現(xiàn)可作為如何評估未來算法實現(xiàn)的性能的參考。在單獨的 Python 模塊中實現(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，跟蹤點可以保留在應(yīng)用程序中，因為它在目標嵌入式系統(tǒng)甚至生產(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。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提供了對算法實現(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嵌入式系統(tǒng)上使用。這可以對目標應(yīng)用程序進行更多監(jiān)控，并促進對與其他應(yīng)用程序和操作系統(tǒng)交互的分析。例如，可能有另一個進程或線程搶占目標應(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，可以為更復(fù)雜實現(xiàn)的開發(fā)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。使用跟蹤，開發(fā)人員可以在擴展到完整的系統(tǒng)實現(xiàn)之前測量和驗證這些模塊中關(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，且目標環(huán)境中的更改最少。

審核編輯：郭婷