Azure Functions에서 Python 앱의 처리량 성능 향상
Python을 사용하여 Azure Functions용으로 개발한다면, 함수가 성능을 발휘하는 방법과 그 성능이 함수 앱의 스케일링하는 방법에 어떤 영향을 끼치는지를 이해해야 합니다. 고성능 앱을 디자인할 때는 이 요구 사항이 더 중요합니다. 함수 앱을 디자인, 작성 및 구성할 때 고려해야 할 주요 요소는 수평적 크기 조정 및 처리량 성능 구성입니다.
수평 크기 조정
기본적으로 Azure Functions는 애플리케이션의 부하를 자동으로 모니터링하면서 필요에 따라 Python에 사용할 추가 호스트 인스턴스를 만듭니다. Azure Functions는 QueueTrigger에 대한 메시지 보존 기간, 큐 크기 등의 기본 제공 임계값을 여러 트리거 유형에 사용하여 인스턴스를 추가할 시기를 결정합니다. 이러한 임계값은 사용자가 구성할 수 없습니다. 자세한 내용은 Azure Functions 이벤트 기반 크기 조정을 참조하세요.
처리량 성능 향상
기본 구성은 대부분의 Azure Functions 응용 프로그램에 적합합니다. 그러나 워크로드 프로필을 기반으로 구성을 사용하여 응용 프로그램 처리량 성능을 향상시킬 수 있습니다. 첫 번째 단계는 실행 중인 작업의 유형을 이해하는 것입니다.
| 워크로드 유형 | 함수 앱 특징 | 예제 |
|---|---|---|
| I/O 바인딩 | • 앱에서 여러 개의 동시 호출을 처리해야 합니다. • 앱은 네트워크 호출 및 디스크 읽기/쓰기와 같은 많은 I/O 이벤트를 처리합니다. |
• 웹 API |
| CPU 바인딩 | • 앱은 이미지 크기 조정과 같은 장기 실행 계산을 수행합니다. • 앱은 데이터를 변환합니다. |
• 데이터 처리 • 기계 학습 유추 |
실제 함수 워크로드는 일반적으로 I/O와 CPU 바인딩이 혼합되어 있기 때문에 실제 프로덕션 부하 환경에서 앱을 프로파일링해야 합니다.
성능별 구성
함수 앱의 워크로드 프로필을 이해한 후 함수의 처리량 성능을 향상시키는 데 사용할 수 있는 구성은 다음과 같습니다.
Async
Python은 단일 스레드 런타임이므로, Python에 대한 호스트 인스턴스는 기본적으로 한 번에 하나의 함수 호출만 처리할 수 있습니다. 대량의 I/O 이벤트를 처리하고(또는 처리하거나) I/O 바인딩된 응용 프로그램은 함수를 비동기적으로 실행하여 성능을 향상할 수 있습니다.
함수를 비동기적으로 실행하려면 asyncio를 사용하여 함수를 직접 실행하는 async def 문을 사용하세요.
async def main():
await some_nonblocking_socket_io_op()
다음은 aiohttp http 클라이언트를 사용하는 HTTP 트리거가 있는 함수의 예입니다.
import aiohttp
import azure.functions as func
async def main(req: func.HttpRequest) -> func.HttpResponse:
async with aiohttp.ClientSession() as client:
async with client.get("PUT_YOUR_URL_HERE") as response:
return func.HttpResponse(await response.text())
return func.HttpResponse(body='NotFound', status_code=404)
async 키워드가 없는 함수는 ThreadPoolExecutor 스레드 풀에서 자동으로 실행됩니다.
# Runs in a ThreadPoolExecutor threadpool. Number of threads is defined by PYTHON_THREADPOOL_THREAD_COUNT.
# The example is intended to show how default synchronous functions are handled.
def main():
some_blocking_socket_io()
함수를 비동기적으로 실행하는 이점을 전부 얻으려면 코드에 사용되는 I/O 작업/라이브러리도 비동기적으로 구현해야 합니다. 비동기로 정의된 함수에서 동기 I/O 작업을 사용하면 전체 성능이 저하할 수 있습니다. 사용 중인 라이브러리에 비동기 버전이 구현되지 않은 경우에도 앱에서 이벤트 루프를 관리하여 코드를 비동기적으로 실행하는 것이 도움이 될 수 있습니다.
다음은 비동기 패턴을 구현한 클라이언트 라이브러리의 몇 가지 예입니다.
- aiohttp - asyncio용 Http 클라이언트/서버
- 스트림 API - 네트워크 연결 작업을 위한 상위 수준 async/await-ready 기본형
- Janus 큐 - Python용 Thread-safe asyncio-aware 큐
- pyzmq - ZeroMQ용 Python 바인딩
Python 작업자의 비동기 이해
함수 시그니처 앞에 async를 정의하면 Python은 함수를 코루틴으로 표시합니다. 코루틴을 호출하면 이벤트 루프에 작업으로 예약할 수 있습니다. 비동기 함수에서 await를 호출하면 이벤트 루프에 연속을 등록하고 이벤트 루프가 대기 시간 동안 다음 작업을 처리하도록 허용합니다.
Python 작업자에서 작업자가 이벤트 루프를 고객의 async 기능과 공유하고 여러 요청을 동시에 처리할 수 있습니다. 고객은 asyncio 규격 라이브러리를 사용하는 것이 좋습니다(예: aiohttp, pyzmq). 이 권장 사항을 따르면 동기적으로 구현될 때 해당 라이브러리에 비해 함수의 처리량이 증가합니다.
참고 항목
함수가 구현 내에서 await 없이 async로 선언되면 이벤트 루프가 차단되어 Python 작업자가 동시 요청을 처리하지 못하도록 차단되므로 함수의 성능에 심각한 영향을 미칩니다.
여러 언어 작업자 프로세스 사용
기본적으로 모든 Functions 호스트 인스턴스에는 언어 작업자 프로세스가 하나만 있습니다. FUNCTIONS_WORKER_PROCESS_COUNT 애플리케이션 설정을 사용하여 호스트당 작업자 프로세스 수를 최대 10개까지 늘릴 수 있습니다. 그러면 Azure Functions는 이러한 작업자 사이에 동시 함수 호출을 균등하게 분산하려고 시도합니다.
CPU 바인딩된 앱의 경우 언어 작업자 수를 함수 앱당 사용 가능한 코어 수와 동일하거나 그보다 높게 설정해야 합니다. 자세히 알아보려면 사용 가능한 인스턴스 SKU를 참조하세요.
I/O 바인딩 앱은 사용 가능한 코어 수를 초과하여 작업자 프로세스 수를 늘릴 수도 있습니다. 작업자 수를 너무 높게 설정하면 필요한 컨텍스트 전환 횟수가 증가하여 전반적인 성능에 영향을 줄 수 있습니다.
FUNCTIONS_WORKER_PROCESS_COUNT는 수요를 충족하기 위해 애플리케이션의 크기를 조정할 때 Azure Functions가 만드는 각 호스트에 적용됩니다.
언어 작업자 프로세스 내에서 최대 작업자 설정
비동기 섹션에서 설명한 것처럼 Python 언어 작업자는 함수와 코루틴을 다르게 처리합니다. 코루틴은 언어 작업자가 실행되는 것과 동일한 이벤트 루프 내에서 실행됩니다. 반면에 함수 호출은 ThreadPoolExecutor에서 실행되며, 이는 언어 작업자에 의해 유지 관리됩니다.
PYTHON_THREADPOOL_THREAD_COUNT 응용 프로그램 설정을 사용하여 동기화 기능 실행에 허용되는 최대 작업자의 값을 설정할 수 있습니다. 이 값은 ThreadPoolExecutor 개체의 max_worker 인수를 설정하는데, Python이 max_worker 스레드의 최대 풀을 사용하여 호출을 비동기적으로 실행할 수 있게 합니다. PYTHON_THREADPOOL_THREAD_COUNT는 함수 호스트가 만드는 각 작업자에 적용 되며, Python은 새 스레드를 만들거나 기존 유휴 스레드를 다시 사용할 시기를 결정합니다. 이전 Python 버전(즉, 3.8, 3.7, 3.6)의 경우 max_worker 값은 1로 설정됩니다. Python 버전 3.9의 경우 max_worker는 None으로 설정됩니다.
CPU 바인딩된 앱은 경우 워크로드를 실험할 때 1부터 시작하여 증가하는 낮은 숫자로 설정을 유지해야 합니다. 이 제안은 컨텍스트 전환에 소요되는 시간을 줄이고 CPU 바인딩된 작업이 완료되도록 합니다.
I/O 바인딩된 앱은 각 호출에서 작업하는 스레드 수를 늘려 상당한 향상을 볼 수 있습니다. 권장 사항은 Python 기본값(코어 수) + 4로 시작한 다음, 표시되는 처리량 값에 따라 조정하는 것입니다.
혼합 워크로드 앱의 경우 FUNCTIONS_WORKER_PROCESS_COUNT 및 PYTHON_THREADPOOL_THREAD_COUNT 구성의 균형을 조정하여 처리량을 최대화해야 합니다. 함수 앱이 가장 많은 시간을 소비하는 항목을 이해하려면 함수 앱을 프로파일링하고 해당 동작에 따라 값을 설정하는 것이 좋습니다. 이러한 애플리케이션 설정에 대해 알아보려면 여러 작업자 프로세스 사용을 참조하세요.
참고 항목
이러한 권장 사항은 HTTP 트리거 함수와 HTTP가 아닌 함수 모두에 적용되지만, HTTP가 아닌 트리거 함수에 대한 다른 트리거 특정 구성을 조정하여 함수 앱에서 예상되는 성능을 얻어야 할 수도 있습니다. 이에 대한 자세한 내용은 이 신뢰할 수 있는 Azure Functions를 위한 모범 사례를 참조하세요.
이벤트 루프 관리
asyncio 호환 타사 라이브러리를 사용해야 합니다. 요구 사항을 충족하는 타사 라이브러리가 없는 경우 Azure Functions의 이벤트 루프를 관리할 수도 있습니다. 이벤트 루프를 관리하면 컴퓨팅 리소스 관리에 더 많은 유연성을 제공하고 동기 I/O 라이브러리를 코루틴으로 래핑할 수도 있습니다.
많은 유용한 Python 공식 설명서에서는 기본 제공 asyncio 라이브러리를 사용하여 코루틴 및 작업과 이벤트 루프를 설명하고 있습니다.
다음 요청 라이브러리를 예로 들어 보겠습니다. 이 코드 조각은 asyncio 라이브러리를 사용하여 requests.get() 메서드를 코루틴으로 래핑하고 동시에 SAMPLE_URL에 여러 웹 요청을 실행합니다.
import asyncio
import json
import logging
import azure.functions as func
from time import time
from requests import get, Response
async def invoke_get_request(eventloop: asyncio.AbstractEventLoop) -> Response:
# Wrap requests.get function into a coroutine
single_result = await eventloop.run_in_executor(
None, # using the default executor
get, # each task call invoke_get_request
'SAMPLE_URL' # the url to be passed into the requests.get function
)
return single_result
async def main(req: func.HttpRequest) -> func.HttpResponse:
logging.info('Python HTTP trigger function processed a request.')
eventloop = asyncio.get_event_loop()
# Create 10 tasks for requests.get synchronous call
tasks = [
asyncio.create_task(
invoke_get_request(eventloop)
) for _ in range(10)
]
done_tasks, _ = await asyncio.wait(tasks)
status_codes = [d.result().status_code for d in done_tasks]
return func.HttpResponse(body=json.dumps(status_codes),
mimetype='application/json')
수직 크기 조정
더 높은 사양의 프리미엄 플랜으로 업그레이드하면 특히 CPU 위주의 작업에서 더 많은 처리 단위를 가져올 수 있습니다. 처리 단위가 높으면 사용 가능한 코어 수에 따라 작업자 프로세스 수를 조정하고 더 높은 병렬 처리 수준을 달성할 수 있습니다.
다음 단계
Azure Functions Python 개발에 대한 자세한 내용은 다음 리소스를 참조하세요.