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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0120
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
764
4.98 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
684
1.33 K
Ascend Extension for PyTorch
Python
720
883
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++
1.08 K
1.1 K
deepin linux kernel
C
32
16
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
457
440
用户可使用该项目在 OpenHarmony 平台开发应用,支持通过 IDE 或终端用 Flutter Tools 指令编译构建,基于 Flutter 3.27.4 版本,新增 impeller-vulkan 渲染模式,兼容多种开发指令与环境配置。
Dart
1.01 K
262
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
253
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1 K
610