我正在开发一个物联网应用程序,它要求我处理许多小的非结构化消息(这意味着它们的字段可能会随着时间的推移而变化——一些字段可能会出现,而另一些字段可能会消失)。这些消息通常有2到15个字段,这些字段的值属于基本数据类型(int/long、string、boolean)。这些消息非常适合JSON数据格式(或msgpack)
按照消息到达的顺序处理消息是至关重要的(请理解:它们需要由一个线程来处理-无法并行化这一部分)。我有自己的实时处理这些消息的逻辑(吞吐量相对较小,最多每秒几十万条消息),但是越来越需要引擎能够通过重放消息的历史来模拟/重放以前的时间段。虽然它最初并不是为了这个目的而写的,但如果我能够以足够的速度向它提供历史数据,我的事件处理引擎(用Go编写)每秒可以很好地处理几十条(可能是低的数百条)数百万条消息
这正是问题所在。在很长一段时间(几年)内,我一直在以分隔的msgpack格式(https://github.com/msgpack/msgpack-python#streaming-unpacking)存储许多(数千亿)这样的消息。在这种设置和其他设置(见下文)中,我能够以每秒约200万条消息的峰值解析速度(在2019年的Macbook Pro上,仅解析),这远远没有使磁盘IO饱和
即使不谈论IO,也要执行以下操作:
import json
message = {
'meta1': "measurement",
'location': "NYC",
'time': "20200101",
'value1': 1.0,
'value2': 2.0,
'value3': 3.0,
'value4': 4.0
}
json_message = json.dumps(message)
%%timeit
json.loads(json_message)
给我的解析时间为3微秒/条消息,略高于300k条消息/秒。与ujson、rapidjson和orjson(而不是标准库的json
模块)相比,我能够获得1微秒/消息的峰值速度(使用ujson),即大约1M消息/秒
Msgpack稍好一些:
import msgpack
message = {
'meta1': "measurement",
'location': "NYC",
'time': "20200101",
'value1': 1.0,
'value2': 2.0,
'value3': 3.0,
'value4': 4.0
}
msgpack_message = msgpack.packb(message)
%%timeit
msgpack.unpackb(msgpack_message)
给我的处理时间约为750ns/条消息(约100ns/字段),即约为130万条消息/秒。我最初认为C++可以更快得多。下面是一个使用nlohmann/json的示例,尽管这与msgpack没有直接的可比性:
#include <iostream>
#include "json.hpp"
using json = nlohmann::json;
const std::string message = "{\"value\": \"hello\"}";
int main() {
auto jsonMessage = json::parse(message);
for(size_t i=0; i<1000000; ++i) {
jsonMessage = json::parse(message);
}
std::cout << jsonMessage["value"] << std::endl; // To avoid having the compiler optimize the loop away.
};
使用clang11.0.3(std=c++17,-O3)编译,在同一台Macbook上以~1.4s的速度运行,也就是说,解析速度为~700k条消息/秒,消息比Python示例更小。我知道nlohmann/json可能非常慢,并且能够使用simdjson的domapi获得每秒约200万条消息的解析速度
这对于我的用例来说仍然太慢了。我对所有建议都有改进,可以用Python、C++、java(或者JVM语言)或Go来改进潜在的消息解析速度。p>
注:
我已经探讨过的事情:
谢谢
我假设消息只包含几个基本类型的命名属性(在运行时定义),这些基本类型是例如字符串、整数和浮点数
为了快速实施,最好:
因此,我们首先需要设计一个简单而快速的二进制消息协议:
二进制消息包含其属性数(按1字节编码),后跟属性列表。每个属性都包含一个以其大小(编码为1字节)为前缀的字符串,后跟属性类型(std::variant中类型的索引,编码为1字节)以及属性值(大小前缀字符串、64位整数或64位浮点数)
每个编码的消息都是一个字节流,可以放入一个大的缓冲区(分配一次并重新用于多个传入消息)
以下是从原始二进制缓冲区解码消息的代码:
您可能也需要编写编码函数(基于相同的想法)
下面是一个用法示例(基于json相关代码):
在我的机器上(使用Intel i7-9700KF处理器),基于您的基准测试,我使用nlohmann json库获得270万条消息/秒的代码,使用新代码获得35.4万条消息/秒的代码
请注意,此代码可以快得多。事实上,大部分时间都花在高效的哈希和分配上。您可以通过使用更快的哈希映射实现(例如boost::container::flat_映射或ska::bytell_hash_映射)和/或使用自定义分配器来缓解此问题。另一种方法是构建自己的经过仔细调优的哈希映射实现。另一种选择是使用键值对向量并使用线性搜索来执行查找(这应该很快,因为您的消息不应该有很多属性,而且您说您需要每个消息的一小部分属性)。 但是,消息越大,解码速度越慢。因此,您可能需要利用并行性来更快地解码消息块。 所有这些,都有可能达到超过100米的消息/秒
相关问题 更多 >
编程相关推荐