Sidekiq在Ubuntu 24.04桌面版的性能优化实践
2025-05-17 18:48:52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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
9
1
🎉 (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
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137