Posts Đa luồng và đa tiến trình trong Python
Post
Cancel

Đa luồng và đa tiến trình trong Python

Trong một lần phỏng vấn mình có được hỏi về các khái niệm này, lúc đó do kiến thức mình hiểu có phần bị sai vì thế mình quyết định là tìm hiểu lại và viết lại một số vấn đề trong lập trình đa luồng và đa tiến trình trong Python

1. Một số khái niệm cơ bản

Tiến trình (Process)

Tiến trình đơn giản có thể hiểu là một chương trình đang được thực thi. Khi chương trình được đưa vào bộ nhớ nó thành tiến trình và được chia thành các 4 phần stack, heap,text,data. Các tiến trình chạy trong không gian riêng biệt lẫn nhau

Mỗi tiến trình trong hệ điều hành được biểu diễn bằng 1 cấu trúc dữ liệu gọi là PCB bao gồm tất cả các thông tin của tiến trình

Các thông tin chứa trong PCB

Luồng (Thread)

Luồng là một đơn vị thực thi trong một tiến trình. Một tiến trình có thể có một hay nhiều luồng. Các luồng không độc lập với nhau mà có thể chia sẻ phần tài nguyên và dữ liệu cho nhau.

Luồng trong tiến trình

Đồng bộ hóa (Synchronization)

Vấn đề đồng bộ hóa được chia thành hai dạng:

  • Đồng bộ hóa tài nguyên: Xác định việc truy cập vào tài nguyên dùng chung có an toàn không.
  • Đồng bộ hóa hoạt động: Đảm bảo việc thực thi các tác vụ chính xác khi phối hợp cùng nhau

2. Lập trình đa luồng và đa tiến trình trong Python

Phân biệt đồng thời (concurrency) và song song (parallelism)

  • Lập trình đồng thời chỉ việc 2 hay nhiều tiến trình được xử lý xen kẽ thông qua cơ chế context switch trên 1 core CPU
  • Lập trình song song tức là 2 hay nhiều tiến trình được xử lý song song với nhau trên nhiều core CPU

IO và CPU bound

  • CPU-bound chỉ việc chương trình sử dụng CPU phần lớn (tính toán). Việc tăng tốc những chương trình dạng này tức là làm sao để có thể thực hiện nhiều phép tính toán hơn trong cùng 1 khoảng thời gian
  • IO-bound chỉ việc thời gian thực hiện chương trình phần lớn là do thời gian đợi các tác vụ IO hoàn tất ví dụ đọc ghi từ ổ đĩa, bàn phím hay mạng. Khi đó CPU sẽ không được sử dụng

Cơ chế GIL trong Python

Cơ chế GIL hay gọi là Global Intepreter Lock là một cơ chế trong python khóa toàn bộ trình thông dịch chỉ cho phép một luồng duy nhất được thực hiện. Do đó tại một thời điểm chỉ có một luồng được thực thi. Mỗi luồng muốn được thực thi thì GIL phải giải phóng luồng trước đó.

Vậy nên cơ chế này sẽ khiến các mô hình lập trình đa luồng không tăng hiệu suất mà có thể bị giảm hiệu suất.

3. Thử nghiệm đánh giá các mô hình

Chạy chương trình python dưới đây bao gồm 2 hàm là IO-bound và CPU-bound thực hiện tác vụ tương ứng với tên hàm

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
import time, os
from threading import Thread, current_thread
from multiprocessing import Process, current_process


COUNT = 200000000
SLEEP = 10

def io_bound(sec):

	pid = os.getpid()
	threadName = current_thread().name
	processName = current_process().name

	print(f"{pid} * {processName} * {threadName} \
		---> Start sleeping...")
	time.sleep(sec)
	print(f"{pid} * {processName} * {threadName} \
		---> Finished sleeping...")

def cpu_bound(n):

	pid = os.getpid()
	threadName = current_thread().name
	processName = current_process().name

	print(f"{pid} * {processName} * {threadName} \
		---> Start counting...")

	while n>0:
		n -= 1

	print(f"{pid} * {processName} * {threadName} \
		---> Finished counting...")

if __name__=="__main__":
	start = time.time()

	# YOUR CODE SNIPPET HERE

	end = time.time()
	print('Time taken in seconds -', end - start)

Thử nghiệm mô hình với các tác vụ IO-bound

Gọi 2 lần hàm io_bound()

1
2
io_bound(SLEEP)
io_bound(SLEEP)

Chương trình sẽ có thời gian chạy hơn 20s với 20s là sleep thực hiện tuần tự. Kết quả như dưới đây:

1
2
3
4
5
18795 * MainProcess * MainThread         ---> Start sleeping...
18795 * MainProcess * MainThread         ---> Finished sleeping...
18795 * MainProcess * MainThread         ---> Start sleeping...
18795 * MainProcess * MainThread         ---> Finished sleeping...
Time taken in seconds - 20.015657424926758

Đa luồng

Ở đây mình sử dụng 2 luồng để tăng tốc việc xử lý. 2 luồng đều hoàn thành công việc trong 10s đồng thời và việc này giảm 50% thời gian thực thi chương trình

1
2
3
4
5
6
7
8
9
10
11
12
t1 = Thread(target = io_bound, args =(SLEEP, ))

t2 = Thread(target = io_bound, args =(SLEEP, ))

t1.start()

t2.start()

t1.join()


t2.join()

Kết quả:

1
2
3
4
5
19327 * MainProcess * Thread-1         ---> Start sleeping...
19327 * MainProcess * Thread-2         ---> Start sleeping...
19327 * MainProcess * Thread-2         ---> Finished sleeping...
19327 * MainProcess * Thread-1         ---> Finished sleeping...
Time taken in seconds - 10.010849714279175

Đa tiến trình

Trong trường hợp này mình sẽ tạo ra 2 tiến trình thực hiện song song hàm io_bound() trên và kết quả cũng tương tự phần đa luồng

1
2
3
4
5
6
7
8
9
10
11
p1 = Process(target = io_bound, args =(SLEEP, ))

p2 = Process(target = io_bound, args =(SLEEP, ))

p1.start()

p2.start()

p1.join()

p2.join()
1
2
3
4
5
19967 * Process-1 * MainThread         ---> Start sleeping...
19968 * Process-2 * MainThread         ---> Start sleeping...
19967 * Process-1 * MainThread         ---> Finished sleeping...
19968 * Process-2 * MainThread         ---> Finished sleeping...
Time taken in seconds - 10.01881742477417

Thử nghiệm mô hình với các tác vụ CPU-bound

Tương tự với phần trên mình gọi 2 lần hàm cpu_bound()

1
2
cpu_bound(COUNT)
cpu_bound(COUNT)

Kết quả của việc thực hiện tuần tự

1
2
3
4
5
20153 * MainProcess * MainThread         ---> Start counting...
20153 * MainProcess * MainThread         ---> Finished counting...
20153 * MainProcess * MainThread         ---> Start counting...
20153 * MainProcess * MainThread         ---> Finished counting...
Time taken in seconds - 20.83522891998291

Đa luồng

Mình sẽ thử thực hiện chương trình trên với hai luồng để kiểm tra xem đối với các công việc cpu-bound thì liệu việc đa luồng trong Python có được cải thiện hay không

1
2
3
4
5
6
7
8
9
10
11
t1 = Thread(target = cpu_bound, args =(COUNT, ))

t2 = Thread(target = cpu_bound, args =(COUNT, ))

t1.start()

t2.start()

t1.join()

t2.join()

Kết quả cho thấy đối với các tác vụ CPU-bound thì việc lập trình đa luồng không cải thiện được tốc độ. Giải thích ở đây là do cơ chế GIL được trình bày ở trên chỉ cho phép trong một thời điểm chỉ có một luồng được chạy. Ở đây sau khi luồng 1 chạy thì GIL mới được giải phóng và luồng 2 mới được phép chạy.

1
2
3
4
5
20338 * MainProcess * Thread-1         ---> Start counting...
20338 * MainProcess * Thread-2         ---> Start counting...
20338 * MainProcess * Thread-2         ---> Finished counting...
20338 * MainProcess * Thread-1         ---> Finished counting...
Time taken in seconds - 20.36056351661682

Đa tiến trình

Đối với trường hợp đa tiến trình mình cũng sẽ thử nghiệm tương tự

1
2
3
4
5
6
7
8
9
10
11
12
13
p1 = Process(target = cpu_bound, args =(COUNT, ))

p2 = Process(target = cpu_bound, args =(COUNT, ))

p1.start()

p2.start()

p1.join()

p2.join()

end = time.time()

Ở đây kết quả đã được cải thiện đáng kể, tốc độ thực thi giảm gần 50%. Tiến trình chính chia thành 2 tiến trình con chạy song song trên các core CPU. Mỗi tiến trình có một luồng chính riêng là MainThread

1
2
3
4
5
20556 * Process-1 * MainThread         ---> Start counting...
20557 * Process-2 * MainThread         ---> Start counting...
20557 * Process-2 * MainThread         ---> Finished counting...
20556 * Process-1 * MainThread         ---> Finished counting...
Time taken in seconds - 11.20688509941101

4. Kết luận

Trong Python thì việc sử dụng lập trình đa tiến trình sẽ giúp cải thiện tốc độ của chương trình đối với cả CPU-bound và IO-bound tuy nhiên cũng cần phải chú ý vì đa tiến trình tức là các tiến trình riêng biệt sử dụng thêm tài nguyên ram và CPU.

Đối với lập trình đa luồng do cơ chế GIL thì các tác vụ CPU-bound sẽ không cải thiện được vấn đề gì vì thực chất chỉ có 1 luồng được phép chạy và việc sử dụng có khi còn giảm hiệu quả. Tuy nhiên cũng có thể sử dụng trong trường hợp IO-bound, ở đây có thể lấy ví dụ đa luồng trong việc crawl web. Khi gửi request đến một trang thì thời gian IO luôn chiếm phần lớn, khi đó CPU nhàn rỗi có thể cho luồng khác sử dụng vì lúc này luồng phía trước không còn GIL nữa, luồng mới sẽ được sử dụng. Thực chất đây là lập trình đồng thời (concurrency)

Tham khảo

Difference between multithreading and multiprocessing in Python Beginers guide to concurrency and parallellism in Python Cơ chế GIL trong Python Introduction to infamous Python GIL Multithreading in Python

This post is licensed under CC BY 4.0 by the author.