Sidekiq在Ubuntu 24.04桌面版的性能优化实践
2025-05-17 06:28:35作者:伍霜盼Ellen
问题背景
在最近的性能测试中,发现Sidekiq在Ubuntu 24.04桌面环境下出现了明显的性能下降现象。具体表现为:
- 多线程性能显著降低:10线程下仅4081 jobs/sec,而单线程可达22668 jobs/sec
- 端到端延迟增加:始终高于1ms,而macOS环境下可低至145us
这种性能差异引起了开发者的关注,特别是在多线程场景下性能不升反降的反常现象。
性能分析过程
初步排查
通过在不同环境下的对比测试,发现以下现象:
- 在主流云服务商的Ubuntu 24.04云服务器上,性能表现相对正常
- 在macOS环境下,性能表现最佳
- 只有在Ubuntu 24.04桌面环境下出现明显的性能下降
关键发现
经过一系列测试和调整,发现了几个关键影响因素:
- CPU亲和性:使用
taskset命令将进程绑定到特定CPU核心后,性能从10937 jobs/sec提升至75550 jobs/sec - 电源管理策略:Ubuntu桌面版默认使用"powersave"模式,改为"performance"模式后性能显著提升
- YJIT编译器:启用Ruby的YJIT即时编译器也能带来明显的性能提升
技术原理
CPU亲和性与缓存局部性
现代CPU的多核架构中,每个核心都有自己的缓存体系。当进程在不同核心间迁移时:
- 需要重新加载缓存内容,造成缓存失效
- 增加了内存访问延迟
- 对于Ruby这类有全局解释器锁(GVL)的语言,频繁的核心迁移会加剧性能损耗
taskset命令通过将进程绑定到特定CPU核心,避免了这种迁移带来的性能损耗。
电源管理的影响
Ubuntu桌面版默认的"powersave"模式会:
- 动态调整CPU频率以节省能耗
- 在负载较低时降低CPU频率
- 导致CPU需要时间从低频状态恢复到高频状态
而"performance"模式则保持CPU始终运行在最高频率,避免了频率切换带来的延迟。
优化建议
对于在Ubuntu桌面环境下运行Sidekiq的用户,建议采取以下优化措施:
-
设置CPU亲和性:
taskset -c 0 bundle exec sidekiq -t 10 -
调整电源管理模式:
echo performance | sudo tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_controller -
启用YJIT编译器:
RUBYOPT=--yjit bundle exec sidekiq -
考虑使用Unix域套接字:对于本地Redis连接,使用Unix socket而非TCP连接可减少约5%的延迟
结论
Ubuntu 24.04桌面环境下的性能问题主要源于操作系统级的电源管理和任务调度策略。通过合理的配置调整,可以显著提升Sidekiq的性能表现。这一发现不仅适用于Sidekiq,对于其他Ruby应用乃至其他语言的CPU密集型应用都有参考价值。
对于生产环境部署,建议在服务器版Ubuntu上进行验证,因为服务器版通常已经针对性能进行了优化配置。桌面用户在进行开发或测试时,可以临时应用这些优化措施以获得更好的性能体验。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C098
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
477
3.56 K
React Native鸿蒙化仓库
JavaScript
287
340
暂无简介
Dart
728
175
Ascend Extension for PyTorch
Python
287
320
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
849
446
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
233
98
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
10
1
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
450
180
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.28 K
704